Przewidywanie “AI zastąpi radiologów” ma dziewięć lat. Gdzie jesteśmy?

Przed dziewięciu laty jeden z najbardziej wpływowych głosów w dziedzinie AI powiedział, że ludzie powinni “przestać szkolić radiologów”. W 2016 roku brzmiało to jak przewidywanie, które tylko odważny technolog mógłby wygłosić na głos. Wizja komputerowa rozwijała się szybko, medyczne obrazowanie wydawało się idealnym rozwiązaniem, a radiologia zdawała się specjalnością zbudowaną wokół rozpoznawania wzorców. Jeśli głębokie uczenie mogło pokonać ludzi w obrazach, wielu ludzi zakładało, że reszta upadnie jak domino.

Teraz mamy wystarczającą perspektywę, aby ocenić to przewidywanie właściwie. Krótko mówiąc, radiolodzy wciąż są tu, nadal są przeciążeni pracą i wciąż są poszukiwani. W miejscach takich jak Mayo Clinic, personel radiologiczny znacznie wzrósł od czasu tego przewidywania, podczas gdy Amerykańskie Towarzystwo Radiologiczne i Neiman HPI nadal ostrzegały przed stresem w miejscu pracy i rosnącym zapotrzebowaniem na obrazowanie. Przepowiednia nie spełniła się. Bardziej interesującym pytaniem jest, dlaczego.

Przewidywanie uzasadniło część obrazu, ale nie część pracy

Oryginalne twierdzenie opierało się na jednym ogromnym założeniu: że odczytywanie obrazów jest podstawową częścią pracy i że medycyna jest tak prosta jak księgowość w zakresie wdrożenia AI. To jest część, na której ludzie AI się koncentrowali, ponieważ pasowała ładnie do kultury benchmarków.

Wprowadź obrazy, przeszkol model, porównaj dane wyjściowe, ogłoszenie zwycięzcy. Prawdziwa radiologia nigdy nie była taka prosta. Klinicyści radiolodzy interpretują obrazy, tak, ale także prowadzą kliniki, pobierają próbki biopsji, przygotowują pacjentów do operacji i pracują bezpośrednio z innymi klinicystami wokół decyzji diagnostycznych i leczniczych.

To szersze role mają większe znaczenie niż stara histeria przyznała. Europejskie Towarzystwo Radiologiczne opisuje radiologów jako lekarzy, opiekunów, komunikatorów, innowatorów, naukowców i nauczycieli. To jest o wiele bardziej skomplikowany cel do zautomatyzowania niż “osoba, która zauważa nieprawidłowości na obrazie”. Gdy przestajesz spłaszczać specjalność do oznaczania obrazów, przewidywanie zaczyna mieć więcej sensu.

Potem jest strona popytu, której dyskurs AI często ignoruje, gdy staje się zbyt obsesją substytucji. Neiman HPI przewidział, że podaż radiologów wzrośnie o 25,7% od 2023 do 2055 roku w obecnych warunkach, ale oszacował, że popyt na obrazowanie może wzrosnąć o 16,9% do 26,9% w tym samym okresie, w zależności od modality.

To nie opisuje zawodu, który zmierza ku zagładzie. To opisuje system, który stara się nadążyć. Aktualizacja siły roboczej ACR na 2026 rok podkreśla ten sam podstawowy punkt: braki i rosnące objętości wywierają realną presję na ten obszar.

AI absolutnie zmieniło radiologię, ale nie w sposób z filmu

Nie oznacza to, że AI zawiodło. Wręcz przeciwnie. Lista urządzeń medycznych z obsługą AI FDA wciąż rośnie, a radiologia pozostaje jednym z największych skupisk tych narzędzi. Nawet wczesne badania szpitali wykazały, że radiologia była miejscem, w którym większość zatwierdzonych przez FDA narzędzi do obrazowania medycznego z AI była używana, a ostatnie doniesienia wskazują, że przyjęcie się rozprzestrzenia na dużą część amerykańskich działów radiologii. To oznacza, że vendor lock-in został powstrzymany na początku.

To, co jest naprawdę przyjmowane, jest wymowne. Szpitale w badaniu Pew most często używały AI do interpretacji i analizy obrazów, priorytetów listy pracy i wsparcia przepływu pracy. W praktyce oznacza to szybsze ujawnianie pilnych przypadków, poprawianie jakości obrazów, pomoc w kwantyfikacji, wskazywanie prawdopodobnych nieprawidłowości i coraz częściej wspomaganie w pisaniu raportów, które zajmują tak wiele czasu radiologom. To jest prawdziwa wartość. To tylko zupełnie inna historia niż pusta czytelnia i zwolnienia.

Najsilniejsze dowody wskazują w tym samym kierunku: wąskie, dobrze zintegrowane przypadki użycia mogą działać. Prospektywna studia Nature Medicine na temat mammografii wykazała, że dodatkowy przepływ pracy z AI poprawił wczesne wykrywanie raka z minimalnymi dodatkowymi powołaniami. RSNA również podkreśliła duńskie dane, które sugerują, że AI może znacznie zmniejszyć pracę mammograficzną bez uszczerbku dla dokładności wykrywania raka. To jest poważne zwycięstwo. To również zwycięstwo przepływu, a nie czysta historia zastąpienia.

Przyczyna opóźnienia zastąpienia polega na tym, że medycyna jest trudniejsza niż demo

Jedna z najbardziej przydatnych rzeczywistych kontroli pochodziła z dużej studii Nature Medicine, która badała 140 radiologów w 15 zadaniach związanych z RTG klatki piersiowej. Wspomaganie AI nie poprawiło wyników wszystkich radiologów w ten sam sposób. Niektórzy radiolodzy stali się lepsi z jego pomocą. Inni stali się gorsi. Efekt zależał od klinicysty i jakości modelu. Podsumowanie studium przez Harvard wyjaśniło to prosto: silniejsze narzędzia AI poprawiły wyniki radiologów, podczas gdy słabsze mogły obniżyć je. To nie jest tak, jak technologia zastępcza działa.

Integracja to kolejny mur, który przewidywanie z 2016 roku ledwie uwzględniło. Ostatni przegląd skutecznej integracji AI w radiologii zauważył, że obecne systemy nadal mają trudności z incorporowaniem danych klinicznych i wcześniejszych lub jednoczesnych obrazów, co może prowadzić do błędów.

Dane z sieci szwajcarskiej wykazały wymierne korzyści efektywności, ale także trwałe bariery, takie jak słaba integracja raportów i problemy z czasem, przy czym tylko niewielka część wyników AI była dostępna przed raportowaniem. Okazuje się, że umieszczenie algorytmu w szpitalnym przepływie pracy jest o wiele trudniejsze niż pokonanie zestawu testowego.

Potem jest governance, który ciągle przyciąga rozmowę z powrotem na ziemię. Pew found, że wczesne przyjęcie w szpitalach często przychodziło z cienkim pilotingiem i monitorowaniem. FDA nadal wymaga przeglądu przed wprowadzeniem do obrotu dla wielu urządzeń, a nawet w tym miesiącu odrzucił petycję, która próbowała zliberalizować wymagania dotyczące przeglądu dla niektórych produktów AI radiologicznych, powołując się na obawy dotyczące bezpieczeństwa i wydajności. Na dodatek odpowiedzialność prawna w Stanach Zjednoczonych nadal w dużej mierze spoczywa na lekarzu, a opinia publiczna pozostaje dość wyraźna: ludzie mogą lubić AI w zasadzie, ale wciąż chcą nadzoru ludzkiego w pętli.

Podsumowanie

Gdzie jesteśmy? Nie jesteśmy w świecie, który ta stara nagłówek obiecywał. Jesteśmy w bardziej wiarygodnym świecie, w którym radiologia stała się jednym z najważniejszych miejsc testowych AI w medycynie, ale specjalność sama w sobie pozostała na nogach, ponieważ praca była szersza, bardziej kliniczna i społecznie odpowiedzialna niż przewidywanie założyło.

To również oznacza, że następne pytanie nie powinno brzmieć, czy AI zastąpi radiologów. To sformułowanie staje się już nieświeże. Bardziej istotne pytanie brzmi, kto pochłonie korzyści produktywności, jak bezpieczne są te narzędzia w realnych warunkach i czy lepsze oprogramowanie ułatwia wypalenie lub po prostu podnosi oczekiwania już rozciągniętych zespołów.

Nawet obecna pozycja Geoffreya Hintona jest znacznie bliższa prawdy niż dawne cytaty z 2016 roku. Przyszłość wygląda bardziej jak radiolog plus AI niż radiolog przeciwko AI. To mniej dramatyczne, mniej klikalne i znacznie bliższe temu, co naprawdę się dzieje.