未来的医生不仅要能看得了片子，做得了诊断，很可能还需学会如何与人工智能更好地合作，在技术加持下让自己的医术更上一层楼。
这个趋势已在全球范围内引起关注。6月2日，北美放射学会（RSNA）在5月31日－6月1日期间举行了第一届针对放射医学工作者的“AI大讲堂”（Spotlight Course on AI： Radiology in the Age of AI ），试图通过两天的课程介绍放射医学与AI紧密结合的技术起源、现有应用及如何理解AI医学影像方面的学术进展，希望能够帮助医生们适应和新兴技术紧密合作的新时代。
本次“AI大讲堂”包括“简要介绍医学影像中的AI技术”、“探讨其对更好地保证人类健康的影响”、“如何在自己的医学实践中接入AI系统”等多个部分，每个部分都邀请了AI行业领域的佼佼者来进行讨论或者演讲。
这正是趋势所在：医疗领域所面临的大量数据和技术需求让其成为最先接受大规模AI技术冲击的领域，这一趋势也孕育了众多最快走向应用的技术。
AI正在不断影响医学影像行业
CT、MRI、PET等医学影像手段是医生做诊断的重要资料，而AI强大的数据处理能力则能帮助医生在分析影像时更显游刃有余。
世界知名AI专家、斯坦福教授吴恩达在会上介绍了AI和深度学习算法的发展以及AI影像技术的新进展。他所处的实验室和斯坦福医院合作，完成了ChestXnet、Xray4all等用深度学习理解影像的工作。这些深度学习技术可以区分胸部X光中十一种不同的病理表现；检测出膝盖MRI中的异常；检测出在头部CT片子中指向动脉瘤的病理表现等等。
吴恩达在介绍AI在医学影像中的应用
“深度学习已经可以完成人类一秒钟内完成的基本任务，但AI想要完全替代医生进行诊断，还有很长的路要走，有很多的突破需要攻克。”吴恩达说道。
对于AI技术可能引发的医生替代危机，本次课程的组织者之一，斯坦福大学医学院放射系副主任Curtis Langlotz教授则没那么悲观。他认为：“影像科医生需要不断改变、多学习最前沿的AI知识与技能。但AI只是临床医学中，类似CT、磁共振、超声等新技术之后，又一个有价值的新技术、新发展，临床医生需要将AI新技术利用到临床工作中。”
“测量病灶大小、跟踪病灶位置大小在不同疾病周期的变化等任务往往枯燥而乏味，AI比人类更擅长处理这样的工作。所以，从某种角度上谈，AI能让临床医生的工作更好，有了AI的协助，临床医生可以做一些在认知上更有趣更有挑战的任务。”
医生所需技能在不断迭代
面对AI不断改变医疗领域的现状，作为近距离接触病患、提供日常医疗服务的医生，如何才能适应这样的时代？
首先，医生需要更多地了解新技术，并学习如何将其应用于临床诊断、手术预后、提前筛查等领域。课程中多位医学影像AI的研究者分享了他们在这些领域的新研究。
“AI不会替代医生，但会用AI的医生会替代不会用AI的医生。”Curtis Langlotz教授在讨论AI在医疗临床应用时再次引用了这句AI时代的金句。
吴恩达也表示：“在科技世界里，每隔五年，我们的工作就会发生巨大的变化。如今，技术正让所有各行各业变化的速度进一步加快。很多放射科医生做的事情将被自动化，但只要医生愿意去思考工作的真正价值，不断拓宽视野，把重心放在更有价值的工作上，他们就什么也不需要担心。”
其次，新技术本身也在进一步提升医生的专业水平。
英国Kheiron Medical的放射学专家Dr． Hugh Harvey指出，放射学医生需要更多地了解数据科学技术。放射科医生需要了解基础的数据科学、机器学习等方面知识，特别是对于数据的整理。他提到深度学习等AI技术对于数据量的要求很大，但人们讨论时往往只重视数量而忽略了质量。直接从临床系统中拿到的数据是远远不能真正用来做临床AI研究与应用的。
一般数据整理需要至少四层操作。
第一层是临床系统（PACS，电子病历系统）中直接拿到的数据，这些数据往往包含敏感信息，数量大质量低，不能真用来做研究。
第二层是通过伦理委员会审查、去掉病人敏感信息的数据的数据，医生和研究者可以受限拿到，但是这类数据一般缺乏结构化，无法直接用来做研究。
第三层是将这些数据进一步进行结构化清洗，进行可视化检验，从而保证图像数据质量等问题。
第四层是将这些数据与相应的临床信息匹配，通过人工或者自动的方法为数据打标签，以便于进行AI研究分析。在这一层中，研究人员还要确认数据的统计价值是否足够，以及是否有真正的标准来进行标签。比如病人疾病的判断需要根据多位医生读图的结果比照，并通过后续发病、随访得到的结果确认疾病。
对于医生来说，以开放态度对待技术，以课程、活动、项目交流等方式接触并掌握新兴技术，很可能会让未来的医疗服务“事半功倍”。
参加此次会议的斯坦福神经影像医生、前沿神经功能影像实验室主任、Greg Zaharchuk教授对这类课程的重要性表示赞同。他认为，研究人员需要很好的将AI理论、应用、发展和局限讲解给临床医生。
另一方面，他也强调临床AI的研究和真正的临床AI产品部署之间还有很大差距。如何确保算法在不同病例、设备、扫描参数等，都是现在面临的问题，需要在发展中逐步解决。
