几十年来，威斯康星大学医学院和公共卫生学院放射学系一直致力于创新技术的研发，并将影像研究转化为临床实践。

如今，人们在技术革命中发现了更加先进的思维和更明确的战略，即人工智能。威斯康星大学卫生专业人士正在创造更多的方式，帮助人们“看到”当前人类无法看到的地方、更好地利用结构化和非结构化数据、以及推动更多的预测医学。这项研究先进且广泛，而且在临床转化方面走在了前面。

例如，这个部门是虚拟结肠成像领域的先驱，为人工智能培训建立了一个10000多个图像数据集的存储库。机器学习推动的创新不仅可以发现结肠息肉和癌症，还可以标记偶然发现，并推动改善患者健康的最佳实践。获得更具行动性的洞察力始终是医学专业机构的目标。

在这个数字减影血管造影技术和许多CT重建方法的诞生地，机器学习和深度学习正在改进图像处理和重建，增强图像解释，并减少医生的电子健康记录(EHR)负担。他们还探索将CT图像质量引入PET/MR以及皮肤病和眼科等领域。他们每个月都会召集放射科医师、医学物理学家和生物医学工程师以及其他有资格的医学人工智能爱好者讨论机器学习研究。

威斯康星大学医学与公共卫生学院放射信息学系主任John Garrett博士透露，他们正在采用机器学习展开大量工作。对于检测型任务或癌症分类，他们可能没有其他机构那么专注，但在图像处理和图像重建方面，他们做了很多工作。他们主要关注机器学习的一个重点是为放射科医师提供迄今为止无法获得的图像数据。

威斯康星大学医学成像主管、信息学副主席、医学博士Gary Wendt，放射信息学博士Richard Bruce，以及John Garrett博士讨论了对医学成像中人工智能的现状和未来前景的看法。

Wendt强调，威斯康星大学采用机器学习技术进行图像分析，并在某些方面超越了放射学。事实上，该机构一直致力于可见光成像技术的研究已经超过十五年。Wendt在引用皮肤病学和眼科视网膜病变图片中的黑色素瘤照片时说，“这将是未来深度学习的一个非常重要的领域。”

Wendt说，“如果没有足够的眼科医生来检查每一位糖尿病患者，但是有一个人工智能算法能够检测早期糖尿病视网膜病变，那么也可以让危重患者更快得到他们需要的治疗。”他指出，对于患者来说，这样的方案不仅代表着医疗上的胜利，也代表着经济上的胜利：糖尿病性视网膜病变将会导致失明，这不仅严重影响患者的生活，而且需要花费大量的护理费用。

由于其能够在特定情况下帮助进行独立诊断，采用机器学习可以帮助电子健康记录发挥其潜力，为临床医生提供每位患者的整体视图，使他们不仅可以针对某种疾病治疗，还可以针对每位患者进行治疗。他们寻求为临床医生提供建议，并了解未来患者和人群的数据，以改善健康和护理。

Bruce说，“电子健康记录（EHR）的采用达到了可以提供临床护理的水平，最终能够让医生专注于如何使用这些数据，如何提供更好的体验，如何优化治疗。”他表示，研究人员正寻找采用AI构建可以直接集成到EHR中的预测算法。

Bruce补充说，“很多问题都是关于如何看待现有数据、找出如何更好地处理现有数据的方法、以及处理数据过载问题。它不一定总是提供全新的东西，而是如何用简单的方式让注意力集中到已经存在的东西上。我们如何降低干扰？我们如何将这些相关的事情提到最高级，这样我们就可以描绘出患者最关心的事情。”

这包括减少信息过载的影响，帮助对患者进行分类，并指导他们治疗护理路线中的每个步骤。例如在放射学中，这意味着要确定优先考虑事项，以便放射科医师首先了解最紧急的成像内容。转诊医师既能在需要最先介入治疗的患者身上最快地获取结果，又能与放射科医生更好地合作。

在这个机器辅助图像分析、疾病诊断、病例优先和护理决策的新兴世界中，医疗信息学家需要更多的计算能力为临床医师提供支持。

Garrett说，“在未来五年的时间里，信息学最大的变化之一，将会是从数据收集、数据消费和数据存档转变为收集和存储数据的模型，但这些模型随时可供反复使用。”临床数据将不断被重新访问，以指导有关未来护理事件的决策。

Wendt认为，随着临床数据的长期管理变得更加普遍，放射学的实践将得到提升。他提到，“机器学习将使我们更有效率，使我们更好地输出数据，从而使我们的报告更具实用性。在短期内，这将有巨大的好处。从长远来看，很多数据科学家正在开发我们现在梦想的算法。”

Garrett认为，在不久的将来，医学研究将促进医学专业部门之间的密切合作，因为多年的医学研究产生了大量的临床知识，使得医学专业部门之间的合作变得越来越不紧密。他指出，有时在某一特定专业的子专业之间甚至存在鸿沟。

Garrett说，“人工智能在放射学和医学方面的潜在优势之一是，可以弥合一些专业和子专业。”

Garrett以现有大脑结构精细的具体数据举例。他说，“例如，神经放射学家通过查看成像图片，并且已经自己的专业知识确定分析结果，在人工智能应用程序的帮助下，可能有更多的神经外科医生更好地确定分析结果。”

Bruce也看到了放射科医师在人工智能时代的重大变化。他说，“在许多方面，人工智能将帮助我们向提供商提供更深入、更丰富、更具场景敏感性的信息。它将使我们成为更好的临床专家。”

Wendt对此表示认同，并表示采用人工智能和机器学习将使医学方法的研究更加积极主动。这可能比算法偶然发现的情况更明显，例如前面提到的虚拟结肠成像解决方案。

他例举了另一个例子，一个病人在摔倒或车祸后接受了外伤CT检查。而采用人工算法可以从同一个检查中判断患者是否骨质疏松。他说，“这实际上不是采用CT扫描的创伤医生能提出的临床问题。”

Bruce进一步阐述了机器学习在放射治疗中经常被引用的优点，即处理诸如测量、量化以及切割肿瘤等基本而又耗时的任务。

Bruce说，“人们将会看到放射学的效率变得更高，或者可以看到患者和药物方面能获得更多的价值和益处。这是一个独特的时刻，是医学上的变革时期。”