今年冬天，RSNA岁了。
作为全球影像学发展的风向标，RSNA今年的焦点发生了微妙的偏转——AI技术的赋能作用及关联算法的发展仍是会议核心，但一些新的观念性的转变也在孕育。
时至今日，RSNA议程已过半，动脉网采访了数家前往芝加哥的海内外企业，并整理了大量RSNA一线信息，最终将视角聚焦于7个风向，希望透过文字、数据与图片，发掘新的一年影像学的发展趋势。
风向一：“SeePossibilitiesTogether”，RSNA与谁同行？
今年RSNA的主题有些隐晦——SeePossibilitiesTogether。未来朝向何方？与谁同行？如何同行？在RSNA总裁ValerieP.Jackson看来，看待这些问题的方式将决定放射学发展的高度。
“我们既有机会，也有能力与患者建立更高层次的联系。但要到达这一水平，我们需要从多种角度审视医生与患者的互动方式。”在DailyBulletin采访之中，ValerieP.Jackson认为，“医患互动”处在了放射科转变的节点上，这是美国医疗走向“以患者为中心”不可避免的一环。
“好比摄影，摄影师必须用不同的器材，从不同的角度去观察拍摄物。放射科医生也需要走出阅片室，与患者建立更多的交流，进一步审视自己工作的局限性，认识自己为自己发展而构建的障碍，并发掘与患者沟通的价值。”
这样的沟通会增加放射科医生的负担吗？ValerieP.Jackson总裁没有否认这种可能。在高工作量、RVU（医疗项目的相对值）考核的焦虑之下，医生若把更多的时间放在与患者的社交活动上，他们可能会承受更多的压力。但问题在于，无论医生怎么做，大量的患者病例并不会由此消失。
所以，这个问题应该分成两个部分来看，VijayM.Rao认为，海量的病案处理与快速周转时间压力是当前放射科医生面临的最大挑战。但让医生重新获得时间自由是器械厂商、人工智能企业的任务，而医生本身则应该做好工作转变的准备。
回到最开始的问题，“以患者为中心”是放射学的未来，而要走向这个未来，医院、医生、患者、企业共同合力。
风向二：跨学科联合让影像学发挥出更深层次的价值
“我们擅长诊断抑郁症，但我们也希望能够找对应的生物标志物。”纽约西奈山伊坎医学院神经病学教授HelenS.Mayberg表示。“影像可以为我们提供了一些方法论的锚点，用于建立大脑运作方式的模型，将心理健康问题概念化为实际的脑部疾病问题，这将导向更好的诊断与更好的治疗。”
现有的图像引导疗法需要深部脑刺激，但定位深部神经刺激器的位置，尤其是要尝试激活的大脑部分，很大程度上是解剖学和功能神经解剖学的集合，而这种新式的抑郁症诊断方法需要影像学的介入。
抑郁症不是唯一一项向影像寻求帮助的神经类疾病。药物研发频频受阻的阿尔茨海默病早已开始多模态的脑生物标志物研究。
ADNI（TheAlzheimer’sDiseaseNeuroimagingInitiative）协会自年代初以来一直致力于采用多模态脑生物标记物进行纵向研究。它使用了MRI，FDG-PET，淀粉样蛋白PET和tauPET等多种方式进行观察。但即便是多模态的研究也难以找出AD的有效药物，分子遗传学或是打破桎梏的关键。
印第安纳大学（IU）医学和分子遗传学教授AndrewSaykin表示，在国际研究中，学者们已经确定了25个与多种生物途径相关的有前途的候选基因。而影像组学研究、系统生物学、生物信息学的协同已经在识别AD中功能异常的网络中开始发挥作用。
从更深层次的层面来看，病理学也在将加入影像学与基因学的组合之中。应用人工智能等数据处理技术从放射学成像、病理学、实验室医学和基因组学中提取、融合数据能够涌现更多信息，这种方式或许能够加速相关药物的研发。例如，部分学者已运用AI在挖掘成像特征与基因点突变之间的关联中起到突破作用。
那么从这些融合中，放射学能收获什么呢？
MitchellD.Schnall医生认为：“如今的放射科医生能比以往任何时候访问到更多的非成像数据。而将实验室数据、影像数据与临床结果结合，这样的集成诊断已逐渐成为放射学实践的规范。”
“现在的问题在于，目前在病历中查找数据的方法既麻烦又费时。但若数据处理方式（信息化水平）不断发展，放射学的诊断效果或许会因此大为改观。”
风向三：更多元的数据处理方式
方向二提到的病理数据、影像数据、基因数据的组合是未来数据融合的方式之一。从管理的角度看，PACS系统数据、工作流程数据、绩效数据的融合则能够改善工作流并提升影像科管理效率。
因此，数据是一项重要的资产，医院而言，完全的封闭或完全的开放均不可取。那么，在AI的发展下，兼顾数据共享与数据安全的解决方案已成为一种必需品。
联邦学习或是解决这一问题的方法，这种方式利用分布式协作型学习技术，在保障大数据交换时的信息安全、保护终端数据和个人数据隐私。以NVIDIA在RSNA上发布的隐私保护型联邦学习系统“NVIDIAClara联邦学习”为例，联邦学习在无需共享患者数据的情况下，即可实现协作与分散化的神经网络训练。各节点负责训练其自身的本地模型，并定期提交给参数服务器。该服务器不断累积并聚合各自的贡献，进而创建一个全局模型，分享给所有节点。
NVIDIAClara联邦学习采用分布式训练，跨医院开发AI模型，无需共享个人数据
但对于AI而言，这里还有一个更难以解决的问题。
RiverainTechnologyCEOSteveWorrell指出：“无论AI收集多少数据，但总会遇到这样一种情况。即AI面向的疾病以一种非常不寻常的方式表现出来，即便拥有丰富训练数据积累，AI仍对此无可奈何。”
罕见病是一个典型的例子。当某一疾病不仅罕见，而且表现形式差异很大时，很难收集足够的数据来建立可靠的分析模型。
为了解决这个问题，RiverainTechnology提出一个大胆的想法：使用合成数据补充临床数据。
“数据是我们训练软件的媒介。如果我们仅依靠临床数据，就必须针对众多特殊的情况收集样本。如果我们可以围绕场景构建数据，就无需对单个实例做出相应，还能通过这种方式了解算法失败的原因。”
遗憾的是SteveWorrell并未讲述创造数据的具体过程，但若能够探索出一条有效的创造数据的模型，现有AI面临的许多问题，譬如安全问题和数据确实问题等，都将迎刃而解。
风向四：人工智能相关论文收录量直线上升
相比于其他顶级影像学会，RSNA收录的论文以临床研究为主。因此，论文所谈及的问题更贴近于临床实际问题。自从人工智能概念兴起以来，RSNA收录的人工智能论文就呈直线上升的趋势，相对于年，这个数字翻了一倍。
虽然上涨的趋势没变，但医生的观点一直在改变。年，RSNA争论的焦点在于“AI是助手，还是威胁？”而一年后，AI的作用已经被RSNA定义为“一个重要的创新、提效工具”。到了今天，借用ValerieP.Jackson总裁在采访中的表述可见一斑：“在我担任董事会主席期间，我希望RSNA能成为人工智能研究和教育领域的领导者。”
当然，除了RSNA以外，各大学会收录的论文总量也点明了影像学的状况与未来发展趋势。
数据来源于eAI影像咨询通过对关键词的搜索，我们可以生成以上图表。其中反应的趋势很明显，以深度学习和机器学习、分子遗传学为标签的论文逐年稳步上升，而到了今年，深度学习的收录量没有提升，机器学习则有所降低。
在深度学习和机器学习收录总量几乎没有变化的情况下，以“Artificialintelligence”为标签的投稿大幅下降，这隐含影像科的研究人员对于AI的更深刻认识，他们更加清晰要用怎样的算法去实现怎样的目标。
分子遗传学投稿年的0份到年的份显示了这个新型研究方向的活力。如上文所言，影像学、病理学、遗传学的融合或许将在未来迸发新的能量。
风向五：AI大赛仍是衡量AI产品的因素之一
由于测试数据与实际中临床数据的不一致，很多在测试数据集中表现优异的企业，医院纷纷栽了跟头，但在现有情况下来看，我们难以找到其他的手段去衡量两个不同AI产品之间的差异，或是衡量AI在理想状态下能够带来的医疗效率提升。所以，人机大战依然有一定价值。
12月2日，RSNA公布了颅内出血AI挑战赛的获胜者。SeuTao、NoBrainer、takuoko、GZ、KeepDiggingGold、BRAIN-SCAN.AI、BigHead、賞金で燒肉、MindBlowers、VinBDI.MedicalImagingTeam十支队伍榜上有名。
本次比赛所用的数据集由多个研究机构共同提供，总计个多次头部CT扫描数据。此外，这是RSNAAI挑战赛第一次采用多平面数据集。通过赛制的设计，未来的AI挑战赛或能对AI产品作出更多的甄别。
风向六：器械巨头将AI置入工作流
每年的RSNA热点自然少不了GPS、联影、东软等国内外影像器械企业的同台竞技。其中较为亮眼的产品包括飞利浦的新式MRIngeniaAmbition、西门子的移动头颅CTSOMATOMON.site、联影医疗的超大孔径3.0T磁共振uMROmega与车载智能数字PET-CT……GE则注重于控费这一逻辑，对于美国这样设备饱和市场而言，医院省钱，可能同样具备深远的价值。
传统的磁体为了保持其超导特性，必须浸泡在-L的液氦中，飞利浦的Ambition则重塑磁体，仅需7L液氦，就能获得稳定的静态磁场。通过这一技术的革新，Ambition无需失超管，整机重量缩减至kg，几乎可以安装在任何楼层和任何科室。
IngeniaAmbition图片来源于