在癌癥治療的每個(gè)階段都可能會(huì)出現(xiàn)困境，比如早期檢查，準(zhǔn)確區(qū)分癌前病變和腫瘤病變，確定手術(shù)治療期間浸潤(rùn)性腫瘤邊緣，監(jiān)測(cè)疾病進(jìn)展和獲得性耐藥，以及預(yù)測(cè)腫瘤侵襲性、轉(zhuǎn)移模式和復(fù)發(fā)風(fēng)險(xiǎn)。醫(yī)學(xué)成像技術(shù)和生物標(biāo)志物為解決癌癥檢測(cè)、治療和監(jiān)測(cè)提供了支持。

當(dāng)腫瘤病變最初被發(fā)現(xiàn)時(shí)，需要根據(jù)其預(yù)測(cè)的臨床過(guò)程和生物學(xué)侵襲性進(jìn)行區(qū)分與分型，以?xún)?yōu)化治療方案與治療強(qiáng)度。計(jì)算機(jī)斷層攝影（CT）和磁共振成像（MRI）的廣泛應(yīng)用促進(jìn)了對(duì)臨床意義不明的身體內(nèi)病變的檢測(cè)，從而進(jìn)行一系列觀察、進(jìn)一步檢查或經(jīng)驗(yàn)性干預(yù)，包括手術(shù)減瘤，放療直接和間接誘發(fā)腫瘤殺傷機(jī)制，以及藥物治療來(lái)殺死腫瘤細(xì)胞。但腫瘤細(xì)胞可以不斷適應(yīng)治療而不斷進(jìn)化和復(fù)發(fā)，復(fù)發(fā)時(shí)，腫瘤病變顯示出與原發(fā)腫瘤不同的分子學(xué)異常，可能對(duì)藥物或放療產(chǎn)生耐受性，這可能是由于腫瘤的異質(zhì)性，但常規(guī)臨床病理取樣和分析很難捕捉。無(wú)創(chuàng)成像作為最常用的監(jiān)測(cè)治療反應(yīng)和提供腫瘤關(guān)鍵信息的方法，需求從未如此之大。

傳統(tǒng)的腫瘤影像學(xué)評(píng)價(jià)主要依賴(lài)于定性特征，如腫瘤密度、增強(qiáng)模式、腫瘤內(nèi)細(xì)胞和組織成分（包括血管、壞死和礦化）、腫瘤邊緣的規(guī)則性、與周?chē)M織的解剖關(guān)系以及對(duì)腫瘤的影響。這些結(jié)構(gòu)基于大小和形狀的腫瘤測(cè)量可以在1維、2維和3維分析中得以量化。相比之下，一個(gè)迅速發(fā)展的領(lǐng)域稱(chēng)為放射影像學(xué)，它使無(wú)線電圖像的數(shù)字解碼成為定量特征，包括形狀、大小和紋理模式的描述。

AI在醫(yī)學(xué)中自動(dòng)量化放射影像模式方面取得了巨大進(jìn)展。深度學(xué)習(xí)是AI的重要組成，是一種特別有潛力的方法，被證明可以自主從樣本圖像中學(xué)習(xí)和獲取特征，在特定任務(wù)的應(yīng)用中等同甚至超過(guò)人類(lèi)的表現(xiàn)。人工智能的自動(dòng)化功能提供增強(qiáng)臨床醫(yī)師定性專(zhuān)業(yè)知識(shí)的潛力，包括精確的腫瘤大小隨時(shí)間變化的體積測(cè)量描述、多個(gè)病變的平行追蹤、將腫瘤內(nèi)表型細(xì)微差別轉(zhuǎn)化為基因型以及通過(guò)單個(gè)腫瘤信息與數(shù)據(jù)庫(kù)中無(wú)限可比案例交叉參考來(lái)預(yù)測(cè)臨床預(yù)后。此外，深度學(xué)習(xí)方法保證了疾病和成像方式的更廣泛性、對(duì)噪音抵抗的穩(wěn)健性、錯(cuò)誤的減少，最終導(dǎo)致早期干預(yù)，診斷以及臨床治療的顯著改善。

隨著對(duì)醫(yī)療服務(wù)需求的不斷增加，以及每天從并行流中生成的大量數(shù)據(jù)，臨床工作流程的優(yōu)化和簡(jiǎn)化變得越來(lái)越重要。AI擅長(zhǎng)識(shí)別圖像中的復(fù)雜模式，從而提供了將圖像解釋從純定性轉(zhuǎn)換為可量化和輕松再現(xiàn)任務(wù)的可能；此外，AI可以量化來(lái)自人類(lèi)無(wú)法檢測(cè)到的圖像信息，從而補(bǔ)充臨床決策；還可以將多個(gè)數(shù)據(jù)流聚合到強(qiáng)大的綜合診斷系統(tǒng)中，這些系統(tǒng)包括影像學(xué)圖像、基因組學(xué)、病理學(xué)、電子健康記錄和社交網(wǎng)絡(luò)。人工智能主要應(yīng)用于基于圖像的三大類(lèi)腫瘤學(xué)臨床任務(wù)：1）異常檢測(cè)；2）通過(guò)定義疑似病變的形狀或體積、組織病理診斷、疾病分期或分子特征來(lái)描述其特征；3）實(shí)時(shí)監(jiān)測(cè)以預(yù)測(cè)預(yù)后或?qū)χ委煹姆磻?yīng)。

除了成像，其他用于癌癥診斷和縱向跟蹤疾病的微創(chuàng)生物標(biāo)記物也正在開(kāi)發(fā)中。最值得注意的是，液態(tài)活檢或循環(huán)腫瘤DNA分析。循環(huán)DNA從腫瘤細(xì)胞釋放，實(shí)現(xiàn)對(duì)腫瘤細(xì)胞的動(dòng)態(tài)監(jiān)測(cè)，從而監(jiān)測(cè)疾病進(jìn)展，實(shí)時(shí)監(jiān)測(cè)靶向治療或耐藥相關(guān)癌癥突變。一種可能是，液態(tài)活檢結(jié)合影像分析通過(guò)無(wú)創(chuàng)癌癥生物學(xué)特性準(zhǔn)確地評(píng)估預(yù)后和實(shí)時(shí)監(jiān)測(cè)疾病，從而顯著改善癌癥治療，有助于實(shí)現(xiàn)精確醫(yī)療。AI除了向臨床醫(yī)師提供輔助信息外，多項(xiàng)研究也顯示了AI在臨床決策階段的作用。

乳腺癌是美國(guó)婦女最常見(jiàn)的癌癥，也是癌癥死亡的第二常見(jiàn)原因。自20世紀(jì)80年代以來(lái)，乳腺癌5年生存率有了明顯提高，這可能要?dú)w功于乳腺癌篩查的普及以及乳腺癌治療方案的改善。乳腺癌是一種異質(zhì)性疾病，腫瘤的病因、預(yù)后和治療反應(yīng)各不相同。雌激素受體的存在對(duì)于預(yù)測(cè)特異性治療（如ER陽(yáng)性患者服用他莫昔芬）和預(yù)后（ER陰性患者的預(yù)后較差）至關(guān)重要。三陰性乳腺癌是ER陰性，孕激素受體陰性，人表皮生長(zhǎng)因子受體2陰性。在標(biāo)準(zhǔn)乳腺X光檢查中可能不存在典型的惡性腫瘤征象，診斷發(fā)現(xiàn)時(shí)更可能是晚期腫瘤，5年生存率較差。影像學(xué)和計(jì)算機(jī)技術(shù)的進(jìn)步使AI在乳腺癌影像學(xué)中的應(yīng)用迅速增加，如風(fēng)險(xiǎn)評(píng)估、檢測(cè)、診斷、預(yù)后和對(duì)治療的反應(yīng)。

乳腺癌影像學(xué)中的CADe和CADx已經(jīng)發(fā)展了幾十年。自20世紀(jì)90年代末，CADe系統(tǒng)專(zhuān)門(mén)用于篩查乳房X光攝影開(kāi)始在臨床常規(guī)中使用。放射科醫(yī)生對(duì)癌癥的檢測(cè)受到限制：結(jié)構(gòu)噪聲（偽裝正常解剖背景）、不完整的視覺(jué)搜索模式、疲勞、分心、對(duì)細(xì)微和/或復(fù)雜不易狀態(tài)的評(píng)估、大量圖像數(shù)據(jù)以及乳房圖像本身的物理特征。在計(jì)算機(jī)輔助檢測(cè)中，目標(biāo)是定位可疑病變，由放射科醫(yī)生進(jìn)行分類(lèi)。CADe仍在開(kāi)發(fā)用于乳房X光篩查，研究人員也在嘗試通過(guò)3D超聲，MRI和乳腺合成成像結(jié)合更精準(zhǔn)的深度學(xué)習(xí)算法自動(dòng)監(jiān)測(cè)乳腺損傷。CNNs自1990年代早期就被用于醫(yī)學(xué)成像分析，用于檢測(cè)數(shù)字化乳房X光片中的微鈣化，以及在乳房X光片上區(qū)分活檢證實(shí)的腫瘤組織和正常組織。最近，AI的深度學(xué)習(xí)方法能夠計(jì)算機(jī)輔助檢測(cè)乳房MRI，超聲和乳房X光檢查中的乳房病變。

計(jì)算機(jī)視覺(jué)技術(shù)已經(jīng)發(fā)展到提取乳腺圖像上實(shí)質(zhì)模式的密度和特征，以產(chǎn)生定量的生物標(biāo)志物，用于乳腺癌風(fēng)險(xiǎn)預(yù)測(cè)，最終用于個(gè)人篩查?；趨^(qū)域和體積的密度評(píng)估都被用于估計(jì)乳房X光密度，密度增加是乳腺癌的危險(xiǎn)因素，同時(shí)也會(huì)有掩蓋病變。乳腺密度是指乳腺中纖維腺組織相對(duì)于脂肪組織的數(shù)量。在全視野數(shù)字乳房X光攝影（FFDM）中，這些組織類(lèi)型是可以區(qū)分的，纖維腺組織比脂肪組織更能減弱X光。FFDM是乳房的二維投影，所以可以估算三維百分比密度值。

除乳腺密度外，還有證據(jù)表明實(shí)質(zhì)模式的變異性（例如，表征致密組織的空間分布）也與乳腺癌風(fēng)險(xiǎn)有關(guān)。通過(guò)放射紋理分析，研究者將偏態(tài)測(cè)量納入乳腺X光片的密度變化分析中，表征FFDM區(qū)域內(nèi)灰階水平的空間分布。其他研究者使用紋理分析和深入學(xué)習(xí)來(lái)討論BRCA1/BRCA2基因突變。近500例低乳腺癌風(fēng)險(xiǎn)婦女的攜帶者（或?qū)?cè)乳腺癌婦女）的研究發(fā)現(xiàn)高乳腺癌風(fēng)險(xiǎn)婦女存在致密的影像學(xué)特質(zhì)，其實(shí)質(zhì)形態(tài)粗糙，對(duì)比度低（AUC，約0.82）。進(jìn)一步研究已應(yīng)用紋理分析法對(duì)乳腺癌進(jìn)行風(fēng)險(xiǎn)評(píng)估，初步結(jié)果表明，紋理特征與乳腺密度的相關(guān)性?xún)?yōu)于數(shù)字乳腺圖。

深度學(xué)習(xí)越來(lái)越多地被用來(lái)評(píng)估乳腺密度和實(shí)質(zhì)特征，比如，根據(jù)BRCA1/BRCA2表達(dá)情況區(qū)分乳腺癌正常風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)攜帶者的學(xué)習(xí)性能評(píng)估。

自20世紀(jì)80年代以來(lái)，研究人員一直在開(kāi)發(fā)CADx的學(xué)習(xí)技術(shù)，以區(qū)分惡性和良性乳腺病變。這些AI方法涉及腫瘤的自動(dòng)特征化，最初由放射科醫(yī)生或計(jì)算機(jī)標(biāo)記。計(jì)算機(jī)描述可疑區(qū)域或病變，并/或估計(jì)其發(fā)病概率，然后由醫(yī)生進(jìn)行患者管理。將AI應(yīng)用于乳腺圖像數(shù)據(jù)，可以量化腫瘤大小、形狀、形態(tài)、紋理和動(dòng)力學(xué)特征。例如，使用乳腺磁共振成像對(duì)比劑攝取的動(dòng)態(tài)評(píng)估，研究人員可以根據(jù)異質(zhì)性來(lái)量化癌癥，產(chǎn)生空間和動(dòng)態(tài)特征的表型。例如，熵是隨機(jī)性的數(shù)學(xué)描述，并提供了在該模式下腫瘤的異質(zhì)性信息，從而描述造影增強(qiáng)乳腺M(fèi)RI成像的腫瘤內(nèi)血管系統(tǒng)攝?。丛煊皠z取）的模式。如NCI的癌癥基因組圖譜（TCGA）乳腺癌表型組所示，這種分析可能反映血管生成的異質(zhì)性和治療敏感性。使用CADx，已經(jīng)評(píng)估了預(yù)先定義的和深度學(xué)習(xí)的算法。有趣的是，研究表明，在區(qū)分惡性和良性病變的任務(wù)中，使用AI或深度學(xué)習(xí)功能在乳腺病變分類(lèi)中表現(xiàn)良好，并且這兩種方法的“融合”可以達(dá)到統(tǒng)計(jì)上的顯著改善。在3種乳腺成像方式（690例DCE-MRI、245例FFDM和1125例超聲）中，“融合”分類(lèi)器表現(xiàn)最佳，表明在診斷乳腺癌檢查中，完全利用AI和深度學(xué)習(xí)腫瘤特征的潛力（DCE-MRI: AUC=0.89 [標(biāo)準(zhǔn)誤差=0.01]；FFDM:AUC=0.86 [標(biāo)準(zhǔn)誤差=0.01]；超聲：AUC=0.90[標(biāo)準(zhǔn)誤差=0.01]）。另有研究顯示，使用CNN預(yù)訓(xùn)練的轉(zhuǎn)移學(xué)習(xí)法在2282張數(shù)字化屏幕膠片上進(jìn)行轉(zhuǎn)移學(xué)習(xí)，并使用FFDMS在324個(gè)乳腺斷層合成體積上對(duì)腫瘤進(jìn)行特征化，證實(shí)其在乳腺斷層掃描成像模式之間傳輸知識(shí)的能力。

除CADe和CADx外，乳腺影像學(xué)中的其他2種人工智能應(yīng)用包括通過(guò)預(yù)測(cè)精確醫(yī)學(xué)乳腺癌的影像表型來(lái)評(píng)估分子亞型、預(yù)后和治療反應(yīng)。乳腺癌研究的一個(gè)重要領(lǐng)域是了解腫瘤的宏觀表現(xiàn)與其腫瘤微環(huán)境之間的關(guān)系。這些關(guān)系可以嘗試從臨床乳腺圖像和風(fēng)險(xiǎn)、預(yù)后或治療反應(yīng)的生物學(xué)指標(biāo)中探索。生物標(biāo)志物的發(fā)展得益于患者檢查信息的整合（即臨床、分子、成像和基因組數(shù)據(jù)；即通常在診斷檢查和后續(xù)活檢過(guò)程中獲得的數(shù)據(jù)）。

NCI的TCGA乳腺表型組的一項(xiàng)合作研究中，多學(xué)科研究者對(duì)84例實(shí)體乳腺腫瘤進(jìn)行了表型特征分析，以獲得有關(guān)潛在分子特征和基因表達(dá)譜的基于圖像的信息。研究人員發(fā)現(xiàn)，在兩組間存在增強(qiáng)實(shí)質(zhì)和分子亞型（正常樣，管腔A，管腔B，富含HER2，基底樣）顯著統(tǒng)計(jì)學(xué)相關(guān)性，甚至在控制腫瘤大小后（對(duì)于病變≤2 cm，P=0.04；對(duì)于病變42至≤5 cm，P=0.02）。

美國(guó)放射學(xué)協(xié)作組的（ACRIN）研究發(fā)現(xiàn)，在接受新輔助治療的患者中，乳腺M(fèi)RI（141例女性：40例復(fù)發(fā)，101例無(wú)復(fù)發(fā)）半手工描繪的功能性腫瘤體積被確定為無(wú)復(fù)發(fā)生存率的預(yù)測(cè)因子，顯示出自動(dòng)化的潛力。

前列腺癌是美國(guó)男性中診斷最為常見(jiàn)的男性惡性腫瘤，也是與癌癥相關(guān)的第二大死亡原因。是一種非常常見(jiàn)的癌癥。但它具有非常低的疾病特異性死亡率。前列腺癌患者的5年生存率從轉(zhuǎn)移性疾病患者的大約30%到局部疾病患者的100%不等。目前，前列腺癌診斷中的關(guān)鍵臨床問(wèn)題包括：1）由于無(wú)法預(yù)測(cè)特定癌癥的侵襲性和風(fēng)險(xiǎn)而導(dǎo)致的過(guò)度診斷和過(guò)度治療；2）活檢取樣不足導(dǎo)致的誤診和看似低風(fēng)險(xiǎn)前列腺癌患者的疾病進(jìn)展。在一項(xiàng)薈萃分析中，176例非臨床意義前列腺癌的過(guò)度診斷率高達(dá)67%，導(dǎo)致不必要的治療和相關(guān)的發(fā)病率?；趯?shí)際情況，有必要將有臨床意義的腫瘤（活檢Gleason評(píng)分為7和/或病理體積為0.5 ml）患者接受治療，并與無(wú)臨床意義的腫瘤區(qū)分開(kāi)。

前列腺癌的腫瘤異質(zhì)性導(dǎo)致不同的臨床結(jié)果，從無(wú)痛潰瘍到高發(fā)病率和死亡率的高侵襲性腫瘤不同的臨床癥狀或結(jié)果，以及患者在治療計(jì)劃、治療反應(yīng)和預(yù)后方面的差異。這反映在將基因組分析納入了NCCN指南中，包括Decipher、Oncotype DX前列腺癌（Genomic Health Inc，Redwood City，California）、Prolaris（Myriad Genetics Inc，Salt Lake City，Utah）等。與分子特征分析相比，AI能夠幫助臨床醫(yī)師檢測(cè)、定位、特征分析、分期和監(jiān)測(cè)前列腺癌。目前還沒(méi)有廣泛的多中心試驗(yàn)，因此大部分初期研究?jī)H限于單中心、單算法分析和小數(shù)據(jù)分析。一些機(jī)構(gòu)如國(guó)家衛(wèi)生研究院和醫(yī)學(xué)計(jì)算機(jī)輔助教學(xué)研究所，正在開(kāi)發(fā)基礎(chǔ)設(shè)施，以使更大的、注釋良好的數(shù)據(jù)集可用于人工智能開(kāi)發(fā)。主要基于監(jiān)督機(jī)器學(xué)習(xí)的計(jì)算方法已成功地應(yīng)用于MRI和超聲等成像方式，以檢測(cè)可疑病變并區(qū)分臨床意義上的癌癥。目前深度學(xué)習(xí)在前列腺癌篩查和惡性腫瘤診斷方面的應(yīng)用取得了有前景的結(jié)果。

多參數(shù)磁共振成像（mpMRI）提供了檢測(cè)和定位可疑臨床顯著前列腺病變所需的軟組織對(duì)比度，并提供了有關(guān)組織解剖、功能和特征的信息。重要的是，它具備檢測(cè)所謂“臨床意義”疾病的優(yōu)越能力，即Gleason模式為4或更高（Gleason評(píng)分≥7）和/或腫瘤體積>0.5 cm3。近年來(lái)，前列腺癌的mpMRI檢查量有所增加，因?yàn)樗軌驒z測(cè)這些病變并進(jìn)行有針對(duì)性的活檢取樣。英國(guó)一項(xiàng)大型研究表明，使用mpMRI作為初級(jí)活檢前的分類(lèi)可將不必要的活檢次數(shù)減少四分之一，并可減少過(guò)度診斷。這在小于最佳值的數(shù)據(jù)集中得到進(jìn)一步驗(yàn)證。在500例患者的多國(guó)PRECISION研究中，與10核到12核經(jīng)直腸超聲引導(dǎo)活檢（38%對(duì)26%）標(biāo)準(zhǔn)治療相比，179例隨機(jī)在活檢前接受mpMRI檢查的患者的臨床意義疾病的檢測(cè)顯著增加。2015，歐洲泌尿生殖學(xué)會(huì)、美國(guó)放射學(xué)會(huì)和ADMETECH基金會(huì)公布了第二版的前列腺成像報(bào)告和數(shù)據(jù)系統(tǒng)（PI-RADS）。這為放射科醫(yī)生閱讀和解釋前列腺mpMRI提供了指導(dǎo)，目的是提高結(jié)果解釋和交流的一致性。在過(guò)去的10年中，CADe和CADx系統(tǒng)用于檢測(cè)、局部定位和描述前列腺腫瘤。與PI-RADS結(jié)合，CAD系統(tǒng)可以提高評(píng)分的可靠性，并提高mpMRI讀取和解釋的診斷精確性。

AI在前列腺癌檢測(cè)的應(yīng)用中顯示出持續(xù)的進(jìn)步。最近研究顯示，從特征工程和經(jīng)典機(jī)器學(xué)習(xí)方法向深度學(xué)習(xí)和使用大型訓(xùn)練集的轉(zhuǎn)變。與肺癌和乳腺癌不同，前列腺癌的臨床常規(guī)尚未采用規(guī)范的CAD系統(tǒng)。但是，最近在中型數(shù)據(jù)集（如PROSTATEx Benchmark）上的深度學(xué)習(xí)技術(shù)取得的成果是很有價(jià)值的結(jié)果。全世界前列腺磁共振檢查量快速增長(zhǎng)，對(duì)準(zhǔn)確解讀的需求也日益增加。準(zhǔn)確的計(jì)算機(jī)輔助系統(tǒng)將提高前列腺M(fèi)RI讀數(shù)的診斷準(zhǔn)確度，這將使患者得到更好的治療，因?yàn)榱夹院图訇?yáng)性腫瘤患者較少需要進(jìn)行侵入性活檢和/或根治性前列腺切除術(shù)，這會(huì)降低他們的生活質(zhì)量。相反，早期發(fā)現(xiàn)前列腺癌可改善有臨床意義的前列腺癌患者的預(yù)后（Gleason模式4）。計(jì)算機(jī)輔助前列腺癌檢測(cè)和診斷系統(tǒng)將有助于臨床醫(yī)師降低診斷性MRI中可疑目標(biāo)丟失或過(guò)度診斷的可能性，盡管在常規(guī)臨床應(yīng)用前的尚需要臨床研究驗(yàn)證。

盡管AI在癌癥影像學(xué)方面取得了不少進(jìn)展，但距實(shí)現(xiàn)臨床應(yīng)用仍存在一定的限制與阻礙。如此大的數(shù)據(jù)量需要更具備系統(tǒng)組織管理，需要更容易獲取，同時(shí)還要考慮到患者隱私，目前研究組織尚未對(duì)特定的數(shù)據(jù)集的應(yīng)用與分享達(dá)成共識(shí)。另外，AI的理解能力也就是對(duì)特定結(jié)果的原因進(jìn)行整合邏輯推理的能力，也存在局限性，預(yù)測(cè)失敗的能力仍需提升。盡管目前研究更注重表現(xiàn)而非解釋和透明，AI的理解力仍是研究熱點(diǎn)。另外，倫理問(wèn)題和監(jiān)管問(wèn)題也需要解決。

影像學(xué)并不是獨(dú)立的疾病度量方法，多項(xiàng)研究顯示，癌癥的分子生物學(xué)特征包括腫瘤的生物標(biāo)志物、社會(huì)經(jīng)濟(jì)地位，甚至社會(huì)網(wǎng)絡(luò)，對(duì)癌癥患者的預(yù)后都有影響。數(shù)據(jù)源也迅速擴(kuò)展到直接醫(yī)療數(shù)據(jù)之外，包括可穿戴設(shè)備、手機(jī)、社交媒體、非結(jié)構(gòu)化電子健康記錄以及數(shù)字時(shí)代的其他組成部分。隨著時(shí)代的進(jìn)步，AI非常適合于整合平行的信息流——來(lái)自生物學(xué)、人口統(tǒng)計(jì)學(xué)和社會(huì)學(xué)，實(shí)時(shí)改進(jìn)對(duì)患者結(jié)局的預(yù)測(cè)模型。

對(duì)于成像分析，AI的準(zhǔn)確性和預(yù)測(cè)能力還需要顯著提高，如果AI取代臨床醫(yī)生的特定工作流程，需證明其比醫(yī)學(xué)專(zhuān)家能有更精準(zhǔn)的專(zhuān)業(yè)判斷。這或許在一些特定疾病條件下顯示出初步希望，但仍需更多的臨床實(shí)用性驗(yàn)證。盡管在查看人工智能生成的數(shù)據(jù)和結(jié)果時(shí)，對(duì)人們來(lái)說(shuō)像是面對(duì)一個(gè)“黑盒子”，但是越來(lái)越多的工具可對(duì)如何做出決策進(jìn)行可視化解釋。

在全球范圍內(nèi)，如果無(wú)法接觸到專(zhuān)業(yè)臨床醫(yī)生或接觸到不常見(jiàn)的病理特征，AI可能會(huì)提供疾病解釋方面的“專(zhuān)家”經(jīng)驗(yàn)。相反，如果沒(méi)有醫(yī)學(xué)專(zhuān)家提供的基本事實(shí)，AI可能會(huì)破壞臨床醫(yī)生和患者現(xiàn)在熟悉的傳統(tǒng)工作流程。此外，在監(jiān)測(cè)衛(wèi)生資源和結(jié)果中使用AI將可能提高效率并降低成本。與任何新的創(chuàng)新技術(shù)一樣，AI在醫(yī)學(xué)應(yīng)用中的發(fā)展超越了當(dāng)前的想象。