人工智能方面的最新进展已引起人们猜测：人工智能有朝一日会取代放射科医生？研究人员已开发出这样的深度学习神经网络：识别放射影像中的病征，比如骨折和潜在癌变病灶，在某些情况下比普通的放射科医生还要可靠。不过总的来说，最出色的系统目前与人的表现不相上下，而且仅用于研究环境。

话虽如此，深度学习在迅速发展，这项技术比以前的医学影像分析方法好得多。这可能预示着在未来，人工智能在放射学会扮演重要的角色。放射学实践无疑会得益于能快速读取和解读多个影像的系统，因为在过去的十年，影像数量的增加比放射科医生数量的增加快得多。因此，可以减少人力、降低成本和提高诊断准确性的任何解决方案都将造福于医患双方。

这对放射科医生来说意味着什么？据称，一些医科学生之所以决定不学放射学专业，是因为他们担心这份工作会被淘汰。然而我们确信，绝大多数放射科医生在未来几十年会继续有工作――人工智能将要做的是改变和改进这份工作。我们认为，放射科医生不会从劳动力大军中消失有一下几个原因，并且其中几个因素会阻碍受人工智能威胁的其他工作出现大规模自动化。

首先，放射科医生的工作不仅仅是阅读和解读影像。与其他人工智能系统一样，放射学人工智能系统执行单个任务（弱人工智能）。深度学习模型针对特定的影像识别任务（比如识别胸部CT上的结节或脑部MRI上的出血）进行训练。但要想完全识别医学影像中所有可能出现的结果，势必需要成千上万的特定检测任务，而如今人工智能只能执行少数几个任务。此外，影像解读工作仅仅是放射科医生执行的其中一项任务。他们还要咨询其他医生探讨诊断和治疗，包括治疗疾病（比如提供局部消融疗法）、执行基于影像的医学干预（介入放射学）、定义要进行的影像检查的技术参数（针对患者的病情），并将影像的发现结果与其他医疗记录和检验结果联系起来，与患者讨论手术和结果，以及其他许多活动。就算人工智能代替医生来解读影像，大多数放射科医生也可以将重点转向其他这些必要的活动上。

其次，基于人工智能影像工作的临床过程离准备好日常使用还有很长一段路。Dreyer与美国放射学会（ACR）数据科学研究所的调查发现，不同的成像技术厂商和深度学习算法专注于它们面对的使用场合的不同方面。即使在FDA批准的基于深度学习的结节检测系统当中，也有不同的侧重点：病变的可能性、癌症的可能性、结节的特征或其位置。这些独特的侧重点将使医院很难将深度学习系统嵌入到当前的临床实践中。因此，ACR开始为深度学习软件厂商定义输入和输出。FDA要求，厂商们将算法投入市场前后需要验证算法的有效性和价值，ACR为此提供了一套方法。与此同时，ACR在竭力整理归纳全面的使用场合，对临床过程、影像要求和输出解释都作了明确的定义，符合当前和未来的临床实践。当然，整理归纳全面的使用场合要花好多年，这进一步扩大了放射科医生在人工智能世界的角色。

第三，用于图像识别的深度学习算法必须拿“标记数据”来进行训练。在放射学领域，这意味着医生要自已来确诊患有癌症、骨折或其他病征的患者的影像。在深度学习大获成功的其他类型的图像识别中，算法已拿数百万个标记的图像进行了训练，但是没有放射影像的集中存储库，因为它们归厂商、医院及医生、成像中心和患者拥有，收集和标记它们颇具挑战性、且耗费时间。

最后，正如自动驾驶汽车需要改变汽车监管和保险一样，人工智能应用于医疗领域也需要改变医疗监管和健康保险，基于此自动影像分析才会普及起来。比如说，如果机器误诊了癌症病例，谁负责？医生、医院、成像技术厂商，还是开发算法的数据科学家？所有这些问题都需要加以解决，这方面的进展不可能与实验室里的深度学习研究一样神速。人工智能放射器械可能需要比放射科医生远胜一筹――不仅仅是一样好，那样才能推动监管和报销方面所需的变化。

如此看来，下一次你做乳房X线照片或MRI时，你的影像不太可能只由人工智能算法来查看。与律师、理财规划师、会计师及看到一些工作任务由智能机器处理的其他专业人员一样，放射科医生会发现目前的工作出现变化，而不是被取代。

因此，放射科医生们需要采用新的技能和工作流程。正如一篇博文所说，只有拒绝使用人工智能的放射科医生其工作才会受到威胁。将人工智能与放射学实践结合起来可以在医疗和工作效率方面获得显著的成效。工作效率的提升甚至可能意味着，放射科医生可以花更多的时间与其他医生探讨诊断和治疗方案。如果在深度学习图像分析方面取得了预期的改进，那么医疗机构、患者和付费方将会将关注点转向搞清楚如何与人工智能一起高效工作的放射科医生。