人工智能（AI）有望颠覆医学实践，提高放射学和病理学等依赖图像的专业诊断的效率和准确性。随着这项技术的飞速发展，专家正在努力解决它的潜在缺点。“利用这项技术开展工作后，我看到了很多可能失败的地方。”美国加州大学圣迭戈分校放射科医生Albert Hsiao说，他开发了读取心脏图像并提高图像质量的算法。一个主要担忧是：大多数人工智能软件都是在一家医院设计和测试的，而当它们被转移到另一家医院时，就有可能出现问题。
　　今年5月，美国政府科学家、监管机构和医生在《美国放射学会杂志》发表了一份路线图，描述了如何把基于科研的人工智能转化为对患者更好的医学成像。研究人员还敦促，在构建和测试人工智能算法方面加强跨学科合作，在算法抵达患者之前对其进行深入验证。Hsiao说，目前，即便旁边有一台机器嗡嗡作响，“无论如何，我还是想要一名人类医生”。
　　当科学家向一些算法输入成百上千张图像时，比如乳房X光片，这些算法就会学习如何训练这种技术，使其比人类更快、更准确地识别模式。但纽约市西奈山医院的神经外科医生Eric Oermann探索了这种算法的一个缺点：与患者的其他特征、MRI机器品牌，甚至扫描仪的角度等相比，它们识别的信号与疾病的关联度更低。
　　Oermann与同事建立了一个检测患者肺炎模式的数学模型，并用西奈山医院患者的X光片对其进行了训练。其中34%的X光片来自西奈山医院受感染的患者。当在西奈山医院另一批患者的X光片上进行测试时，该算法能够以93%的准确度检测出肺炎。Oermann也在另外两个站点的数万张X光片上进行了测试，包括美国国立卫生研究院临床中心和印第安纳州患者护理机构，这些医院的病人肺炎发病率刚刚超过1%。研究发现，其识别的成功率下降了73%至80%。“效果不太好，因为其他医院的病人不一样。”Oermann说。
　　尽管如此，美国食品药品监督管理局（FDA）已经批准了一些算法。Hsiao创建的一种算法是在心脏MRI上测量心脏大小和血流情况。让他沮丧的是，手工分析数据至少要花6个小时，所以他回到了计算机科学专业，编写了软件。随后他在加州旧金山成立了Arterys公司，并在约6个月内获得了FDA的批准。目前，Hsiao正在研究一种算法，使其通过绘制在肺部的潜在位置更容易地找到肺炎。
　　但他说，拍板的依然是医生，而不是机器，人依然凌驾于技术之上。“如果我认为这不是肺炎”，Hsiao说，“那就不是。”