人工智能1

人工智能最近在感知上有了长足的进步（感官信息的解释），允许机器更好地表示和解释复杂的数据。这导致了应用领域的重大进展从网络搜索和自动驾驶汽车到自然语言处理和计算机视觉——直到几年前只有人类才能做到.

深学习是机器学习的一个子集基于神经网络结构灵感来源于人脑如此结构自动地从数据中学习判别特征，赋予它们近似非常复杂的非线性关系的能力（方框1）。而大多数早期的人工智能方法由于具有非人的性能，最近的深度学习算法能够在任务特定的应用2-5中匹配甚至超过人（图1

这是因为人工智能研究的最新进展，大量的数字数据现在可以用来训练算法和现代的，强大的计算硬件。深奥的学习方法能够打败人类在围棋的策略板游戏中，考虑到高度复杂的游戏空间和大量的潜在动作，之前被认为需要几十年才能取得的成就。随着人工智能的发展，研究人员预测人工智能将自动完成许多任务，包括翻译语言，写畅销书，做手术——都是在未来的十年7

在医疗保健领域，人工智能正成为许多应用的主要组成部分，包括药物发现、远程病人监测、医疗诊断和成像、风险管理、可穿戴设备、虚拟助理和医院管理。许多具有大数据成分的领域，如DNA分析和RNA测序数据8也有望受益于人工智能的使用。依赖成像数据的医学领域，包括放射科、病理科、皮肤科和眼科已经开始受益于人工智能的实施方法（框2）。在放射科，训练有素的医生视觉评估医学图像和报告发现，以检测，特征和监测疾病、这种评估通常基于教育和经验有时可能是主观的、相反这样的定性推理，人工智能擅长识别成像数据中的复杂模式，能够提供定量的自动评估。更准确和可重复的放射学评估当人工智能作为一种帮助医生的工具。

由于成像数据是在常规临床实践中收集的，原则上，大数据集是现成的，因此为科学和医学发现提供了极其丰富的资源。放射影像学，加上临床结果的数据，已经导致放射医学作为一个医学研究领域的出现和迅速扩展11-13。早期的放射医学研究主要集中在为一组预先定义的工程特征，描述形状、强度和纹理的射线照相方面最近，放射医学研究结合了深度学习技术，从示例图像14自动学习特征表示暗示许多这些影像学特征的实质性临床相关性。

在肿瘤学中，多方努力已经成功地探索了放射医学工具来协助临床决策不同癌症的诊断及危险分层15、16。例如，非小细胞肺癌（NSCLC）的研究利用放射组学预测肺腺癌17和肿瘤组织学亚型18的远处转移以及疾病复发19、体细胞突变20、基因表达谱21和总体生存率22。这些发现推动了基于护理标准的人工智能生物标记物临床应用的探索放射学图像23-最终希望更好地支持放射科医生的疾病诊断、成像质量优化、数据可视化、响应评估和报告生成、

在这篇评论文章中，我们首先对人工智能方法有一个大致的了解，特别是基于图像的任务。然后我们将探讨未来的人工智能方法将如何影响肿瘤学中的多个基于放射学的实践。最后，我们讨论临床面临的挑战和障碍实施这些方法。

、