作为最常见的传统X放射影像沿用至今，胸部X光片历史悠久，在全世界范围内以数十亿的速度拍摄成像，为患者提供图像诊断依据。
然而在英国的朴茨茅斯医院，竟存在超过23000张胸部X光片图像未被阅读，其中大多数为急诊科的胸部及腹部X光片，未经放射科医生或临床医师审查。
事实上，放射科医生数量的增长速度远低于影像的读片需求量。医疗数据中有超过90%来自医学影像，据统计，美国医学影像数据的年增长率为63%，而放射科医生数量的年增长率仅为2%。由于专业放射科医生的短缺，造成大量X光片成像积压，诊断报告生成缓慢，甚至从未阅读。
当“AlphaGo”在棋坛惊艳亮相使得人工智能一战成名后，人工智能技术在医疗科技领域的应用顺势而生，训练机器学习，进行医学影像计算机辅助诊断。
位于加州斯坦福大学的机器学习小组使用由美国国立卫生研究院（NIH）提供的108948例贴有标签的免费胸部X光片，完成了人工智能诊断学习训练，宣布其结果为人工智能在肺炎诊断结果上的出色表现能与放射科医生媲美。
对此，Hugh Harvey博士认为，阅读胸部X光片更像是一门医学艺术而不是科学。胸部X光片只是一种辅助诊断的图像依据，是诊断步骤中的一部分，并不能替代患者实际情况。人工智能辅助诊断可作为“分流”的形式，作为初步审查，提醒医生潜在的疾病可能，而不是将人工智能代替医生直接运用于诊断。
Hugh Harvey博士来自深度学习公司Kheiron Medical，为英国皇家放射学家信息学委员会成员。他曾任伦敦Guy's和St.Thomas医院的顾问放射科医生，以及巴比伦健康监管事务主管。
人工智能
是否可靠、值得信赖？
人工智能需要大量精确的数据奠定基础，大量胸部X光片可为训练放射学AI提供很好的数据来源，足够的数据可提供大量全面的测试。训练“读”胸部X光片人工智能，往往需要导入胸部X光片影像及医生诊断报告结果，引导、训练AI作出智能影像对比从产生读片结果。
但是存在一个小而关键的问题：作为训练人工智能的依据，医生的诊断报告是否准确无误？理想情况下，导入的数据应该是清晰、准确并可靠的。然而实际情况并非如此，获取的医疗数据有可能已被处理过，也有可能杂乱无序。其次，人类放射科医生对胸部X光片的解读有时也可能会存在一定的差错，或带有一定的主观因素，根据数字图像产生的报告有时会发生误诊、漏诊或部分错误的情况。
在短短30秒内时间对成千上万的黑白像素作出诊断判断，信息的丢失及错误是可以理解的。将数字影像编写成一份放射学报告其实是一种极端的数据压缩形式——将约2兆字节的数据转换成几个字节，实际上是在以巨大压缩比率来执行有损压缩。
此外，人类的主观性使得图像的解析受到各种外部因素的影响，包括患者的人口统计、历史和地理。而对于更为复杂的成像模式例如MRI、超声波，观察者的误差可能更高，这个问题影响了人工智能数据的可靠性及准确性。
当然这些还有待考证。大家是怎样看到人工智能+医疗行业的呢