2018年8月，在马里兰州贝塞斯达的国立卫生研究院(NIH)举办了一次研讨会，探讨医学成像中人工智能(AI)的未来。该研讨会由美国国立卫生研究院，北美放射学会(RSNA)，美国放射学院(ACR)和放射学和生物医学成像研究学院(学院)共同赞助。组织者旨在促进诊断医学成像应用方面的合作，识别知识差距并制定优先考虑研究需求的路线图。该组织的研究路线图今天作为放射学杂志的特别报告发表。

“人工智能在医学成像方面的科学挑战和机遇是深刻的，但与人工智能普遍存在的科学挑战和机遇截然不同。我们的目标是为专业社团，资助机构，研究实验室以及其他所有在该领域工作的人提供蓝图，以加速研究这项报告的主要作者，Curtis P. Langlotz，医学博士，博士说。Langlotz博士是放射学和生物医学信息学教授，医学和影像人工智能中心主任，斯坦福大学放射学系信息系统副主席，以及RSNA信息技术和年会联络委员会。

成像研究实验室正在迅速创建机器学习系统，使用开源方法和工具实现人类的专业性能。正在开发这些人工智能系统以改进医学图像重建，降噪，质量保证，分类，分割，计算机辅助检测，计算机辅助分类和放射基因组学。

机器学习算法将在未来十年内改变临床成像实践。然而，机器学习研究仍处于早期阶段。

“RSNA参与此研讨会对放射学中人工智能的发展至关重要，”RSNA董事会主席，医学博士Mary C. Mahoney说。“随着协会通过其期刊，课程等推动人工智能科学和教育的发展，我们处于有利地位，可以帮助放射学研究人员和从业人员更全面地了解该技术对医学的意义及其发展方向。”

在报告中，作者概述了几个关键的研究主题，并描述了加速医学成像基础机器学习研究进展的路线图。

报告中强调的研究重点包括：新的图像重建方法，从源数据有效地生成适合人类解释的图像，自动图像标记和注释方法，包括从成像报告中提取信息，电子表型和预期的结构化图像报告，用于临床成像数据的新机器学习方法，例如定制的，预先训练的模型架构和分布式机器学习方法，

机器学习方法可以解释它们为人类用户提供的建议(所谓的可解释的人工智能)，以及用于图像去识别和数据共享的经验证的方法，以促进临床成像数据集的广泛可用性。该报告描述了有助于产生更多公开可用，经过验证和可重复使用的数据集的创新，用于评估新算法和技术，并指出这对于机器学习非常有用，这些数据集需要快速创建带标签或带注释的成像数据的方法。

此外，必须开发针对临床成像数据量身定制的新型预训练模型体系结构，以及分布式培训方法，以减少机构之间数据交换的需要。

在阐述人工智能在医学成像中的基础研究目标时，作者强调标准组织，专业协会，政府机构和私营企业必须共同努力，为患者服务，实现这些目标，他们将从创新成像技术中受益这将导致。