“AI skal erstatte radiologer”-forudsigelsen er ni år gammel. Hvor er vi så?

For ni år siden sagde en af AI’s mest indflydelsesrige stemmer, at man skulle “stoppe med at uddanne radiologer nu”. I 2016 lød det som en forudsigelse, som kun en modig teknolog ville sige højt. Computer vision udviklede sig hurtigt, medicinsk billedanalyse lignede en perfekt fit, og radiologi syntes, set udefra, at være en specialitet bygget op omkring mønstergenkendelse. Hvis dyb læring kunne slå mennesker i billedanalyse, antog mange, at resten ville falde som dominoer.

Nu har vi tilstrækkelig afstand til at bedømme den påstand ordentligt. Den korte version er, at radiologer stadig er her, stadig overbelastede og stadig i høj efterspørgsel. På steder som Mayo Clinic er radiologstaben vokset skarpt siden forudsigelsen, mens American College of Radiology og Neiman HPI har fortsat advaret om arbejdskraftsbelastning og stigende efterspørgsel efter billedanalyse. Profetien blev ikke opfyldt. Det mere interessante spørgsmål er, hvorfor.

Forudsigelsen fik billeddelen ret og jobdelen forkert

Den oprindelige påstand gjorde ét enormt antagande: at billedanalyse grundligt set er hele jobbet, og at medicin er ligeså let at implementere som AI som bogføring. Det er den del, som AI-folk har fokuseret på, fordi det passer godt ind i benchmark-kulturen.

Kliniske radiologer fortolker billeder, ja, men de driver også klinikker, tager biopsiprøver, forbereder patienter til operation og arbejder direkte med andre kliniske læger omkring diagnose og behandlingsbeslutninger.

Den bredere rol betyder mere end den gamle hype-cyklus indrømmede. Den europæiske radiologiselskab beskriver radiologer som læger, beskyttelsespersoner, kommunikatorer, innovatorer, videnskabsmænd og lærere. Det er et meget mere komplekst mål for automatisering end “person, der spotter abnormaliteter på et billede”. Når man stopper med at flade specialiteten ud til billedmærkning, begynder den missede forudsigelse at give mere mening.

Så er der efterspørgselsiden, som AI-diskursen ofte ignorerer, når den bliver for besat af substitution. Neiman HPI projekterede, at radiologernes tilbud ville stige med 25,7% fra 2023 til 2055 under nuværende forhold, men estimerede, at efterspørgsel efter billedanalyse kunne stige med 16,9% til 26,9% over samme periode afhængigt af modalitet.

Dette beskriver ikke en profession, der er på vej mod udryddelse. Det beskriver et system, der prøver at følge med. ACR’s 2026-arbejdskraftsopdatering gør det samme grundlæggende point: mangel og stigende volumener sætter rigtigt pres på feltet lige nu.

AI har absolut ændret radiologi, bare ikke på den måde, der ligner en filmtrailer

Ingen af dette betyder, at AI fejlede. Langt derfra. FDA’s liste over AI-aktiverede medicinske enheder fortsætter med at udvide sig, og radiologi forbliver en af de tykkeste koncentrationer af disse værktøjer. Selv tidlige hospitalsundersøgelser fandt, at radiologi var, hvor de fleste FDA-godkendte AI-billedanalyseværktøjer blev brugt, og mere nylig rapportering peger på, at adoptionen spreder sig over en stor del af USAs radiologiske afdelinger. Det betyder, at leverandør-lås blev stoppet i sin begyndelse.

Hvad der faktisk bliver adopteret, er afslørende. Hospitaler i Pew’s undersøgelse brugte AI mest til billedfortolkning og -analyse, arbejdslisteprioritering og workflow-understøttelse. I praksis betyder det at fremhæve akutte tilfælde hurtigere, skærpe billeder, hjælpe med kvantificering, flagge sandsynlige abnormaliteter og i stigende grad assisterer med rapportskrivningsarbejdet, der sluger så meget radiologtid. Det er reel værdi. Det er bare en meget anden historie end tomme læseværelser og pink slips.

Den stærkeste bevis pegede konstant i samme retning: snævre, velintegrerede brugsområder kan fungere. En prospektiv Nature Medicine-studie om brystscreening fandt, at en AI-assisteret læserworkflow forbedrede tidlig kræftdiagnose med minimalt tilføjet recall. RSNA fremhævede også danske data, der tydede på, at AI kan reducere mammografiarbejdsbyrden betydeligt uden at skade kræftdiagnose-nøjagtighed. Det er en alvorlig sejr. Det er også en workflow-sejr, ikke en ren erstatningshistorie.

Årsagen til, at erstatning bliver forsinket, er, at medicin er sværere end en demo

En af de mest nyttige virkelighedschecks kom fra en stor Nature Medicine-studie, der undersøgte 140 radiologer over 15 bryst-røntgenopgaver. AI-understøttelse forbedrede ikke alle radiologer på samme måde. Nogle radiologer blev bedre med det. Nogle blev dårligere. Effekten afhængige af klinikerne og kvaliteten af modellen. Harvard’s sammenfatning af studiet sagde det klart: stærkere AI-værktøjer forbedrede radiologernes præstation, mens svagere kunne trække den ned. Det er ikke, hvordan en erstatnings-teknologi fungerer.

Integration er endnu en mur, som 2016-forudsigelsen kun lidt regnede med. En nylig gennemgang af effektiv AI-integration i radiologi bemærkede, at nuværende systemer stadig kæmper med at inkorporere kliniske data og tidligere eller samtidige billeder, hvilket kan føre til fejl.

Virkelige implementeringsdata fra et schweizisk billedanalyse-netværk viste målbare effektivitetsgevinster, men også bestående barrierer som dårlig rapportintegration og tidsproblemer, hvor kun en minoritet af AI-resultater var tilgængelige før rapportering. Det viser sig, at at indsætte en algoritme i et hospitalsworkflow er langt sværere end at slå en test-sæt.

Så er der styring, der trækker samtalen tilbage til jorden. Pew fandt, at tidlige hospitalsadoption ofte kom med tynd piloting og overvågning. FDA kræver stadig præmarked-gennemgang for mange enheder og afviste for nylig en petition, der søger at lette gennemgangskravene for nogle radiologiske AI-produkter med henvisning til sikkerheds- og præstationsproblemer. Oveni det sidder juridisk ansvar i USA stadig overvejende hos lægen, og patientholdninger forbliver ret klare: mennesker kan godt lide AI i princippet, men de vil stadig have menneskelig overvågning i processen.

Konklusion

Hvor er vi så? Vi er ikke i den verden, som den gamle overskrift lovede. Vi er i en mere troværdig verden, hvor radiologi blev et af medicinens vigtigste AI-testområder, men specialiteten selv forblev stående, fordi jobbet var bredere, mere klinisk og mere socialt ansvarligt end forudsigelsen antog.

Dette betyder også, at det næste spørgsmål ikke bør være, om AI erstatter radiologer. Den ramme bliver gammel. Det skarpe spørgsmål er, hvem der absorberer produktivitetsgevinsterne, hvor sikre værktøjerne er i virkelige verdensindstillinger, og om bedre software lettelser udmattelse eller blot hæver forventningerne til allerede strakte hold.

Even Geoffrey Hintons nuværende position er langt tættere på sandheden end 2016-lyden. Fremtiden ligner mere radiolog plus AI end radiolog versus AI. Det er mindre dramatisk, mindre klikbart og langt tættere på, hvad der faktisk sker.