在人工智能和机器学习方面，已经做出了无数预测，从而改变了患者护理时的影像筛查和诊断，而临床研究和经验正在证明这一点。放射学家说，这种影响对改善癌症的诊断和护理质量，阅读者之间的一致性以及减少阅读时间和不必要的活检是真正的。一个光辉的例子针对乳房超声成像的评估。
纽约市皇后区的Main Street Radiology已经使用机器学习软件分析乳房超声图像以进行筛查和诊断了将近一年。Koios Medical的Koios DS乳房专用软件可帮助放射科医生快速而准确地评估病变特征和BI-RADS评估。与硬件无关，该软件与大多数PACS兼容。
“该软件的优点在于，它允许的病变不符合确切的形状，例如带有一个或两个微叶的椭圆形，或者边缘处有隆起，”该科副院长赖宇博士解释说。皇后区40位医师的Main Street Radiology乳房成像。“它使我们有信心就是否真的令人担忧而进行通话。”
放射科医生在监视器上查看图像，然后将图标拖到目标病变上。该算法(已在数十万个乳腺病变图像上进行了训练)提出了病变特征的建议以及初步的BI-RADS评估。于说，该工具“非常简单”，他还是康奈尔大学威尔康奈尔医学院放射学的临床助理教授。“您看一下它，马上就基本知道如何使用它。找到易于使用的东西是好的AI程序的关键。”
临床研究证明ML算法可增强诊断。《数字影像杂志》上的一项研究表明，即将发布的Koios DS版本可以提高所有经验水平的所有放射线医师在乳腺癌诊断中的乳腺癌准确性，这是值得注意的，因为研究表明医师最多可以对同一病例进行不同的解释。每三个案例中 灵敏度从92%到97%增至97%到98%，特异性从38%到46%增至45%到52%。良性活检率降低了25%至55%，而敏感性却没有降低。
2017年发表在《癌症研究》上的一项类似研究发现，癌症鉴别率为100%，良性活检减少了69%。
Yu还与她的同事们仔细观察了一下，检查了100例病理学病例。她说：“这令人震惊，但对我们来说很明显，机器智能可以帮助我们作为放射线医生，因为我们意识到我们可以避免40次活检。” “它可以帮助我们做得更好。”
赶上更多癌症
对于乳腺放射科医生来说，变得更好意味着在减少假阳性和不确定性诊断的同时捕捉更多真正的癌症。后者可能给患者带来压力和不必要的风险，因为接受诊断为“暂定”的诊断通常意味着要进行活检，返回(或停留)以进行更多影像检查，或两者兼而有之。
至于整个医疗领域的AI，放射学自然是AI的早期采用者。医学图像非常适合应用国防部用来识别人脸的相同ML技术。
抗击乳腺癌的前线是将ML直接应用于患者护理的理想场所。据美国癌症协会称，乳腺癌是仅次于肺癌的女性癌症死亡的第二大主要原因。然而，很大程度上要归功于公众意识的增强以及对筛查的早期发现，女性乳腺癌的死亡率从1989年到2015年下降了39%。
于说，她在Main Street Radiology读的病例中约有15%使用ML。她说，这听起来可能很低，但是“非常有影响力，因为在某些情况下，您会抓挠头。对此类案件拥有第二意见会带来很大的不同。”
关于患者
Yu还致力于改善患者体验，并在患者护理过程中提高价值。实际上，文献已经开始证实这一点。
2018年12月，来自加利福尼亚大学戴维斯分校的两名医师在《美国放射学杂志》上发表了一篇分析报告，得出结论说人工智能技术可以自相矛盾地帮助放射线医生证明其在人类接触领域的价值。
放射科医生Shadi Aminololama-Shakeri，医学博士和心脏科医生，Javier E.López，医学博士写道：“人工智能的希望是，它有可能使医生摆脱自动化可以更好地完成的任务。” “人工智能可以将我们的诊断准确性提高到可以重新关注医患关系的水平。”
于表示同意，这完全取决于患者。她说：“直到您意识到建议减少活检和对良性发现进行短期随访后，这种检查的结果可能并不明显。” “这些东西本身代表着实践的重大改进。管理员必须意识到您的收益并不具体。但是，让放射科医生更加准确，更好地做到这一点本身是值得的。”
