2019年4月16日，一份名为《医学成像人工智能（AI）的基础研究路线图》的特别报告发布在《放射学杂志》。这份报告是以2018年8月在马里兰州贝塞斯达举办的一次研讨会成果为基础，探讨了医学成像中AI应用的未来。此次研讨会获得了国立卫生研究院（NIH）、北美放射学会（RSNA）、美国放射学院（ACR）、放射学与生物医学成像研究学会（The Academy）的共同赞助。会议的目标是促进诊断医学成像应用相关方的合作，识别知识差距并制定基础研究优先领域的路线图。
图1 基础研究与转化研究的联系
报告认为，机器学习算法将在未来十年内改变临床成像实践，但目前机器学习仍处于早期阶段。报告概述了医学成像研究利用AI的五个优先研究领域：
1、需要新的图像重建和增强方法，将成像装置产生的源数据转化为适合人类解读的图像。例如可使用更小剂量的静脉造影材料、更低的辐射剂量和经历更短的扫描和重建时间来产生高质量的图像。
2、需要自动标记和注释方法来快速生成机器学习研究的训练数据。这些标记方法通常使用机器学习算法来处理来自成像报告或电子病历的信息。
3、需要开发针对临床成像数据复杂性而训练的新型机器学习算法。由于大多数深度学习研究是针对自然图像的照片和视频开展的，因此需要开发高分辨率、3D、4D、多模态和多通道的新型机器学习算法。
4、需要可以向人类用户解释或说明建议的机器学习方法。这些方法将作为一种复杂的临床“自动驾驶仪”协助人类成像专家开展工作。
5、需要经验证的图像免识别和数据共享的方法，以促进临床成像数据集的广泛可用性。在使用临床数据时隐私问题是至关重要的，因此需要适当的临床成像数据聚合方法，来产生训练机器学习所需的大量数据。
报告总结了基础研究与转化研究之间相关性（如图1所示），认为基础研究导致新的图像重建和标记方法、新的机器学习算法和解释方法出现，每种方法所形成的增强数据集、数据工程和数据科学将是AI在医学成像中的应用成功部署的关键。
该报告还描述了许多有助于产生更多公开可用、经过验证可重复使用数据集的、可用于评估的新算法和新技术，并指出为了用于机器学习，这些数据集需要能快速创建带标签或带注释的成像数据的方法。此外，必须开发针对临床成像数据量身定制的新型预训练模型体系结构和分布式训练方法，以减少对机构之间数据交换的需求。
在阐述人工智能在医学成像中的基础研究目标时，报告强调标准组织、专业协会、政府机构和私营企业必须共同努力为患者服务，而它们也将从成像技术创新中受益。
郑颖 编译自https://www.sciencedaily.com/releases/2019/04/190416132134.htm
原文标题：Roadmap for AI in medical imaging.
