自从新冠肺炎爆发以来，作为除核酸检测以外最重要的检测手段，CT在新冠肺炎的确诊中起着至关重要的作用。然而，目前CT等医学影像设备一直高负荷运转并处于急缺的状态，也促使人们更加关注医学影像以及AI在行业发展中起到的作用。
实际上，无论是本次疫情还是平时一般的影像检查，医学影像的诊断通量和效率，大多数时候其实是受限于采集端，影像检查的成本大部分也在采集端。因此，如何更高质量、更方便、更快捷、更安全地进行影像检查是业内最为关注的问题。
IBM Waston医学影像中心的Lisa M. Baumhardt表示，目前技术和监管的主要难点包括：数据的普遍性及代表性，算法的透明度及可解释性，模型的验证及测试的标准化，如何更好地嵌入临床实际的工作流，以及临床报告习惯的改变。
而在临床上，新的基于AI的医学影像设备和软件也面临着诸多挑战：包括如何分析产品性能;怎样使产品设计复核临床工作流，不给医生增加负担;同行审阅、发表论文验证;如何收费、付费、保险;病人是否接受等等。
AI在放射学的应用的问题和未来
尽管AI在放射学有巨大的潜力，但其发展至今仍受到各种制约。那么，还有哪些因素限制了它在现代临床医学的应用?
加利福尼亚大学尔湾分校诊断医学AI健康中心的Peter Chang博士在workshop上表示：“AI软件现如今正应用于病灶检测分类、图像定量化和图像处理质量增强领域。然而，AI算法面临着假阳性、可解释性、有效性三方面的挑战，这使AI无法完全实现所有功能。”
根据Chang的说法，但凡使用过一些基于AI的影像检测和分类程序的人都知道，AI算法假阳性非常普遍。一大重要原因是缺乏背景信息，目前AI大多只使用图像信息，但其实很多诊断需要临床背景信息。除此之外，假如算法的可解读性不够优秀，医生可能反而需要更多时间来解读CT;要在临床进行大范围的真实数据验证也较难。
虽然仍旧面临着一些亟待攻克的问题，医学影像AI目前正展现出蓬勃发展的趋势，而多中心合作可能是未来的方向之一。
Chang表示，由于缺乏优质、庞大、异构的数据集，现在出现了许多创造性的学习范例，用于使用来自多个站点的数据来训练算法，包括分布式深度学习、联合机器学习和算法的连续微调。
另外，随着构建AI模型简便性的提高，医院或大学将越来越多地自行创建自己的算法。未来在一个机构中进行的研究项目与在医院中进行全面临床部署之间的界限会迅速模糊。
Chang还提到，放射学AI作为临床中的自主解释器(Autonomous readers)正引起业内广泛的兴趣，即无需任何人工干预即可生成报告。尤其是一些阴性预测值高的算法(即对阴性判定的正确率较高)，这使得一定比例的检查在未来可能可以不需要放射学医师复核。据Chang称，这已经在CT世界中得到了广泛研究，比如无对比头颅CT、胸部CT筛查等等。
