Seeing beyond the scan in neuroimaging
42:58 Share

欢迎收听Practical AI播客，本播客旨在使人工智能实用、高效且人人可及。如果您喜欢这个节目，您一定会喜欢The Change Log。周一发布新闻，周三进行深入的技术访谈，周五则是一个精彩的周末谈话节目。您可以在收听播客的任何地方搜索The Change Log找到我们。

感谢Fly.io的合作伙伴。在五分钟或更短的时间内启动您的AI应用程序。请访问Fly.io了解详情。♪

欢迎收听另一期Practical AI播客。我是Daniel Whitenack，PredictionGuard的首席执行官，一如既往地与我的联合主持人Chris Benson一起，他是洛克希德·马丁公司首席AI研究工程师。Chris，你好吗？嘿，我今天过得很好。Daniel，你怎么样？非常好。我很兴奋能……

从所有关于语言模型和代理的讨论中转换一下，尽管今天可能会在对话中出现，但转向一些真正令人兴奋的事情，我很高兴我们可以在节目中介绍，那就是关于神经影像学和机器学习以及人工智能，这将是一个令人兴奋的学习话题。今天我们邀请到了昆士兰大学的Gavin Winston教授。Gavin，欢迎您。

下午好。感谢Daniel的邀请。是的，是的。很高兴能邀请您加入我们。也许我们可以从神经影像学的机器学习和人工智能方面回溯，甚至只是神经影像学的背景，我们的许多听众可能

在技术领域或软件开发领域，或者，你知道，商业领袖。你能帮助我们理解一下吗？当我们谈论神经影像学时，我们谈论的是你参与的一些工作。那到底是什么意思？它如何影响人们的生活以及医疗保健系统和治疗等等？神经影像学是一个相当广泛的术语。它涵盖各种不同的技术。

这些方法的基本概念是，我们正在观察大脑的结构和功能。你也可以观察神经系统的其他部分，但就我的工作而言，我特别感兴趣的是大脑。

对于结构方面，你可以观察大脑中是否存在异常，这些异常会导致癫痫发作或其他类型的神经系统问题？在功能方面，你可以观察大脑的哪些部分负责人们拥有的不同功能。例如，大脑的哪些部分用于语言，大脑的哪些部分用于记忆和其他类似的任务？

我想我更专注于核磁共振成像，但还有各种各样的技术。例如CT扫描、核磁共振成像扫描和PET扫描。有一系列不同的东西。但本质上，它们只是从外部观察大脑的技术，并试图让我们了解其结构和功能以及这些结构和功能是如何改变的。

我想人们最常看到的是核磁共振成像扫描，这就是我主要研究的内容。也许还可以为一些，我想，更多的是核磁共振成像的历史背景提供一些背景。

也许机器学习或人工智能技术何时以及如何开始与神经影像学或核磁共振成像相交叉？这有多久远了？这是一直都在发生的事情吗？是的，也许在那里也提供一些背景。我想我们可以回顾一下神经影像学是如何在几十年里发展起来的。这将是很棒的。

当然，一开始，你首先发展了进行X射线检查的概念，我们可以对头骨进行X射线检查。但这并没有特别有帮助，因为你无法看到头骨内部的大脑。你只能看到头骨本身。

然后人们开始开发其他相当野蛮的技术，你将空气或其他东西注入大脑，然后你就可以在那里突出显示它们。这是非常危险的，当然也不是那么有帮助。但我认为它真正开始于20世纪70年代，当时CT扫描开始普及。因此，你可以从外部获得大脑或其他结构的精美插图。

然后它进一步发展到核磁共振成像，这为我们提供了更详细的大脑图像。现在我们可以获得更高分辨率和更详细的图像。随着这些技术的进步，我们当然也有了越来越多的数据需要分析。我们拥有的数据越多，我们就越开始思考，那么我们如何才能使用机器学习等技术来学习我们现在开始收集的大量数据呢？当你想到核磁共振成像扫描时，

你的分辨率可能是256 x 256 x 256个体素。

这是一个三维图像。但是你有多种不同类型的核磁共振成像扫描来观察大脑内的不同事物。所以你有一大堆数据。当放射科医生，换句话说，神经科医生，抱歉，专门从事扫描评估的医生，他们有很多信息需要查看。这非常耗时。我们正在进行的扫描数量也在不断增加。

所以现在我们开始思考，我们如何才能提供帮助并节省时间，以及如何更轻松地检测异常或更有效地自动化某些事情？因为我们现在拥有的大量数据，我们不可能跟上。我很好奇，对于不同类型的扫描以及它们产生的所有数据，以及现在你拥有机器学习技术，

这是否改变了医生在可能的事情方面的一些选择？或者这仍然是未来的事情？你知道，机器学习是如何改变这些领域的医学实践的吗？与许多事情一样，当你观察机器学习和人工智能在医学实践中的整合时，这些技术的采用速度可能相当缓慢。在技术上可能实现的事情与

与实际应用之间存在相当大的差距。人们显然对数据质量、使用数据方面的伦理以及你可能使用的任何技术的准确性有很多担忧，因为当然它将用于正在接受不同诊断和治疗的人类。因此，在可以做的事情和实际应用之间存在很大的差距。

因此，采用率，我的意思是，那里有很多潜力，你总是看到事情在发展，但采用率比我希望的要慢一些，作为这个领域的工作人员。但我认为……

鉴于我们现在可以做的事情，如果我们展望未来将会发生的事情，这些肯定会在未来变得越来越重要。在我们了解机器如何处理你正在谈论的一些数据之前，如果我们只考虑人类，医生或任何查看这些扫描产生的一些数据的人，

是什么？我知道可能有很多东西可以在图像数据中发现。对。但仅举一个例子，人类观察者在神经影像学数据中寻找什么才能让他们感觉到。

我想这将是一个诊断或需要进一步调查的东西，或者是一种潜在的异常，或者任何东西。这些是什么，你知道，他们会用自己的眼睛寻找什么？所以当你看病人的时候，作为一名神经科医生，你会得到症状的描述，也会检查病人。这会让你对

大脑中可能涉及的部分有所了解。然后根据症状和症状的类型，你可以对大脑该部分可能发生的异常类型有所了解。但神经影像学的真正作用是证实大脑该区域存在异常以及异常是什么。它在哪里以及问题是什么？

因为你可能有一个列表，所谓的鉴别诊断。根据你从病人那里得到的信息，你有一份可能性列表。但直到你真正进行扫描，你才知道究竟是哪一个。

因此，当放射科医生是查看扫描的医生时，他们将获得扫描以及临床信息和临床医生正在考虑的可能位置和可能是什么的一些假设。因此，他们显然会仔细观察这些区域，并试图识别与之相关的东西。

对于查看事物的放射科医生来说，很多事情都与模式识别和识别他们以前见过的东西有关。

因此，有时对于一个人来说，很难定义他们在图像中看到的告诉他们这是某种东西的东西。但他们以前见过这个，这就是它，因为某种程度上他们已经学习到了一种代表它的特定模式。有一个快速的后续问题。当丹问这个问题并且你正在回答它时，我突然想到——

作为一个门外汉，我对这个话题知之甚少，显然如此。你从大脑的结构和功能这两个方面开始。我很好奇，你能花一秒钟时间从数据的角度退一步，然后谈谈这个吗？

如果你是神经科医生，在获得数据之前，结构和功能在实践中的关系是什么？在诊断和对病人的评估中，它们是如何相关的？正如丹在上一个问题中提到的那样，这如何为引入数据提供信息？大多数日常进行的扫描都是专门观察大脑结构的扫描。

例如，如果有人表现出你认为代表中风的症状，你将需要进行扫描以确定是否存在中风以及中风发生在哪里。

你正在观察大脑的结构。因此，几乎所有现有的临床扫描都是专门观察结构的扫描。当我们谈论核磁共振成像时，还有一整套独立的成像方法，即观察大脑的功能。这在专业中心和特殊情况下使用。

例如，如果我们正在考虑对大脑进行手术治疗以治疗某些潜在疾病，当然，我们不仅想知道大脑是什么样的。我们想知道大脑的哪些部分正在执行不同的功能。

我们通常知道某些任务是定位在大脑的特定部分的，但每个人都是个体，它可能会因他们所患的潜在异常而略有改变。你可以进行某些扫描来观察功能。例如，

如果你想在大脑的视觉通路附近进行一些脑部手术，你可能想通过某种功能成像来识别视觉通路在哪里。或者，如果你在语言功能可能存在的地方附近进行手术，你想知道大脑中语言功能的确切位置，这样你就可以尽可能避免该区域。因此，当你观察大脑的功能时，这些被称为功能性扫描。但在日常实践中，这要少得多。

这可能是一个有趣的问题，但我们节目中很少有人同时是机器学习、人工智能等方面的专家，并且，你知道，神经科学或神经影像学方面的专家。

我想知道，多年来，当然，我们节目中邀请了许多人。神经网络与大脑的结构之间有很多相似之处，以及这些事物是如何相互建模的。我想从一个同时应用机器学习和人工智能技术的领域专家那里了解一下。

大脑可能比这些机器学习网络或深度学习系统复杂或不同多少，是的，这些系统非常强大，但至少在我看来，它们的根本包含非常简单的组件，并且在许多方面肯定不如大脑高效。我不知道你对此有什么想法，但我认为我会抓住这个机会，因为我们节目中很少有这种交叉的专业知识。这是一个很好的问题。如果你考虑神经网络，正如你提到的那样，当然，它们是基于生物学和现实中发生的事情，但模拟与现实之间存在相当大的差异。很多都是关于规模的。因此，当我们拥有神经网络时，尽管现在，当然，我们可以拥有比以前更复杂的神经网络，因为我们现在拥有计算能力，但你没有意识到大脑有多复杂，它有多少亿个神经元以及它们是如何相互连接的。这种复杂性一直非常非常难以模拟。

即使我们试图模拟只有几百个神经元的非常简单的生物的神经系统，也很难精确地复制它。那么，我们怎么可能对像人脑这样的结构做同样的事情呢？人脑的神经元和突触数量要多出几个数量级。

但是，是的，它基于大脑中的一些潜在解剖结构和功能，但在我们模拟的复杂程度和我们实际在大脑中所做的事情之间存在很大的差距。所以Gavin，现在我们对神经影像学和大脑总体上有一些了解，我想知道你是否可以让我们现在缩小范围，或者更专注于计算技术，

从高层次来看，你会如何对机器学习或人工智能应用于神经影像学相关任务的方式进行分类？我们使用应用于神经影像学的机器学习的方法有很多种，解决了病人诊断和治疗过程中的各个不同部分。所以

一个例子是试图对扫描进行分类，以确定它们是否包含异常。这是一个简单的分类任务。文献中有很多这样的内容，他们收集了一些没有潜在疾病的健康个人的数据。然后他们还收集了一些患有特定疾病的人的数据。

机器学习算法的目标是根据影像来尝试对某人是否患有特定疾病进行分类。你可以发表很多这样的论文，但问题是这在现实世界中有多大用处？因为你不太可能说，我们想问它，你是否患有X疾病？这基本上是分类器正在做的。

你面前有一个病人，你想知道他们患了什么病，而不是他们是否患有X疾病。因此，你需要比这高出一个层次，尝试对不同的异常进行分类。分类的另一种方法不仅仅是某人是否患有X疾病，

但它可能是一种可能存在于大脑不同部位的疾病。因此，你试图分类的是大脑的哪个部分受到这种疾病的影响，以及大脑的哪个部分是正常的健康组织。

这尤其是我在癫痫工作中所做的事情。癫痫是一种反复发作性癫痫发作的疾病，在某些情况下，这些癫痫发作可能来自大脑的特定部位，但我们想知道大脑中导致这些癫痫发作的异常位于何处。除了我刚才提到的诊断之外，

然后另一件事是，我们如何使用影像来帮助我们指导某人应该接受哪种类型的治疗？鉴于我们拥有的扫描，哪种治疗方法最好？此外，我们能否推断出关于病人预后的信息？

如果我们治疗他们，特定结果的可能性是多少？例如，如果它是脑肿瘤，例如，某人康复或死于潜在脑肿瘤的可能性是多少？我们能否从我们的影像数据中预测这一点？因此，它用于从诊断目的到治疗方案和预后等各种事情。

所以我很想知道你谈到的那些应用数据和机器学习技术的用例，对我来说真的很有趣。你能举一个或多个例子并谈谈吗？

哪些机器学习技术可能我们的听众熟悉，你知道，他们在自己与之无关的工作中使用过这些技术，并谈论，好吧，我用这个来对大脑的哪个部分受癫痫影响进行分类，

并稍微结合一下正在收听的从业人员可能自己做过的事情，他们可能从未想到过以这种方式使用它。我只是想将技术与应用程序本身稍微联系起来。如果你能带我们浏览几个例子，那可能很好。在我给出的第一个例子中，只是试图对某人是否患有疾病进行分类，

通常情况下，我们从影像中提取许多不同的参数，这些参数的设计方式有很多种。然后我们有一个已知的输出。所以这是他们要么患有这种疾病，要么没有，因为我们决定扫描人们，预先定义的疾病与否。

所以这本质上是一种监督学习方法，你可以使用支持向量机等典型技术，你可能在许多其他方法中都见过。这是这种方法中最常见的事情。然后是一些更先进的成像技术，当你观察图像的整个三维图像时。这非常适合卷积神经网络等技术。它们非常擅长进行这种类型的影像分析。

所以我只提到了两种技术，但这些可能是你在文献中最常看到的两种技术。但也有很多其他的选择。有了这个，我想……

你知道，我见过很多监督学习的问题，你知道，我得到一个数据集，然后训练模型。我见过计算机视觉技术。我想象在技术方面，你所做的事情有很多独特的挑战，这……

可能与数据有关，可能与规模有关，可能与相关性有关，可能与目标类别的数量的复杂性有关。或者是的，也许只是帮助我们理解在将这些通用技术应用于这个特定空间时，这些方面的挑战性元素是什么？

具体案例？最大的挑战之一是首先获得数据。因此，当你查看大型语言模型等技术时，它们可以利用互联网上的大量数据，不幸的是，当我们处理神经影像学时，我们没有同样的情况。因此，如果我们想为我们试图训练它的任何任务训练模型，我们拥有的数据越多，我们就能越好地训练模型。

但问题是，我们从哪里获得这些数据？这是最大的挑战之一。因此，如果你在一个大学进行一个项目，并且正在为一项研究扫描受试者，你可能能够获得100名受试者。但对于机器学习来说，100名受试者是一个极小的数字。所以这与你可能想要的数十万个数据点完全不同。

所以首先是获取数据。已经有一些方法试图将来自其他中心的数据和多中心方法等结合起来。但我们仍然受到数据量的限制。当然，如果你使用的是监督学习方法，数据也必须被标记。

根据标签的性质，这可能非常费力且耗时，并且根据谁在做这件事，可能也不准确。如果我们只是将某人分类为患有疾病或没有患有疾病，这是一个很容易做出的分类。但同样，也可能出错。

但如果我们做一些更复杂的事情，例如试图找出大脑的哪个部分受到特定疾病的影响，那么通常这样做的方法是有人标记图像。换句话说，有人手动在大脑中绘制出大脑的哪个部分受到影响，这就是用来训练算法的东西。但鉴于我提到大脑中有这么多体素，有人需要花费大量时间

手动绘制大脑中的异常，这可能非常耗时，每个受试者需要几小时。因此，如果你必须对100名受试者这样做，那就是很多手工工作。

因此，获取数据以及数据的标签都非常困难。因此，对于任何使用机器学习和人工智能算法的基于临床的研究来说，这都是一个相当大的挑战，首先要获得这些数据。鉴于该领域可用数据的局限性，合成数据是否有任何作用？在其他一些无关的领域，这是可以接受的，而在其他领域，我听说过一些原因说明为什么不行。

你是否正在产生任何级别的合成数据来支持研究，这是否可能？这是你避免的事情吗？只是好奇。有时人们通过合成他们已经拥有的数据的略微修改版本来增强他们的数据，并将其用于训练。所以这是可以做到的。但我认为你不能从头开始完全合成数据。你只能修改一些你已经拥有的现有数据。

是的，这当然是一种可能性。而且，你知道，你主要谈论过这些方法中的一些，你知道，卷积神经网络、支持向量机。同样，我认为我们提出的许多问题都来自那些不在该领域工作的人，以及人们可能提出的问题，你知道，来自医学领域之外的人。我听到很多的是，

确实有一只鸟，你知道，更多的是对某些预测的解释的负担，对吧。以及潜在的决策审计跟踪。显然，这可能更容易与……

与一个机器学习模型相比，与一个深度神经网络相比。你知道，在可用的技术方面，现实情况是什么？不是技术上，而是从它们可能被应用的方式的角度来看。我想一件事是在论文中证明某些东西，对吧。但实际采用该技术

可能具有挑战性。那么那里的现实情况是什么？是的，我们已经讨论过，不幸的是，实施远远落后于目前理想的水平。我认为挑战之一是，如果你开发了一种算法并将其呈现给医生，并说，看，它这样做，他们想了解它是如何工作的。他们想要能够信任该算法。因此，如果你开发了一种旨在检测X疾病的算法，它是如何做出该决定的？

它做的事情对我来说有意义吗？因为最终，当然，许多人工智能算法可能看起来就像一个黑匣子。你有你的输入，你有你的输出，但你真的不知道这两个步骤之间发生了什么。特别是对于不太熟悉这些技术的医生来说，他们想知道发生了什么，这样他们才能信任该算法。

因为归根结底，你将根据这些信息做出可能影响某人生活的决定。所以你想确定它是如何工作的。因此，当然，一些影像分析程序正在朝着可解释人工智能的概念发展，正如你提到的那样。所以实际上……

我可以在这里提到一项研究，这是一项我正在为其贡献数据的研究，但它是由我在伦敦大学学院的同事领导的。这是MELD研究。这是一项旨在帮助我们检测大脑中哪个部位导致癫痫发作的多中心癫痫病灶检测研究。他们正在从世界各地的许多不同地点收集数据。他们的主要目标之一是开发一种

解释为什么做出该决定的方法。因此，算法的输出不仅仅是，我们认为大脑中可能存在异常的地方。然后还有一个输出，说明大脑该区域中哪些特征不同，这些特征使我们相信那里存在异常。

然后当我们查看它时，我们甚至可以要求放射科医生再次查看大脑的那一部分，并说，看，这就是我们看到的可能不同的地方。你是否能够在图像上看到这一点？

我很好奇，在谈话中的一些点上，你谈到了技术的采用速度，你稍微谈到了，你知道，其中一些根本原因是什么，例如从业者，医学从业者希望理解算法。

在该行业内部，你认为需要发生哪些思维转变才能加快采用速度，或者你看到的自然发展是什么？因为正如我们看到这些技术以不同的能力涌入全球完全不同的行业一样，我们看到了这些

在特定行业中发生的文化斗争，你知道。我真的很想知道你，当你看到这些医生在某种程度上采用这项技术并继续前进时，认识到好处，但也认识到基于他们传统思维方式的一些挑战，你认为这个行业需要做些什么才能实现这一点？

人工智能在我们日常生活中的使用现在已经如此广泛。我认为人们对这项技术作为一个概念的接受度越来越高。但是当我们使用临床数据时，我们的局限性之一是，我们有哪些伦理方面的考虑？这是采用的一大障碍。

那么，我们从病人那里获得的数据在哪里？如果我们将其提交给某种算法，它在哪里被处理？它在哪里被存储？它是否被保留？它将来是否会被用于其他用途？它是否受隐私法的保护等等？所以这里有很多考虑因素。但是如果我们能够获得解决所有这些问题的东西，我认为这是

在本期节目中，我们通过神经影像学和癫痫诊断的视角，探讨了人工智能、机器学习和医疗保健的交叉点。Gavin Winston 博士分享了他利用 MRI 数据和机器学习来发现大脑功能细微异常的研究成果。我们讨论了在医学中采用人工智能的文化和伦理障碍，预测性数据分析如何改变诊断流程，以及在日益受到智能系统影响的世界中，医学影像的未来将会怎样。 特色： Gavin Winston – LinkedIn，网站 Chris Benson – 网站，GitHub，LinkedIn，X Daniel Whitenack – 网站，GitHub，X 链接： 使用图神经网络检测致痫性局灶性皮质发育不良：一项 MELD 研究 跨学科神经影像学中的机器学习 颞叶癫痫中海马硬化的自动化和可解释检测：AID-HS 关于首次无诱因癫痫发作后癫痫复发多模式预测的前瞻性多中心队列研究的文献综述和方案 癫痫神经影像学中的深度学习 用于局灶性癫痫病灶检测的多模式 MRI 的非参数组合 使用多模式磁共振成像数据的计算分析检测局灶性癫痫的隐匿性病灶</context> <raw_text>0 现在是未来十年及以后的时机，我们可以开始更广泛地采用这些技术，因为现在人们对人工智能的接受度很高。

Gavin，我想知道，显然你在这方面做过各种研究，并且了解正在进行的其他事情。我们主要讨论的是问题的背景、技术和挑战。我很好奇潜在的影响或性能。所以假设你正在进行其中一项研究，也许你可以举个例子

人工手动进行此类审查并识别某些诊断或大脑部位之间的比较是什么？或者我想，随着问题变得越来越复杂，事情也会变得越来越复杂。但是人工的性能水平是多少，人们

人们能够将机器学习人工智能的性能水平提升到什么程度？当然，正如你提到的，采用方面仍然存在挑战。但我很好奇，至少在你做过或见过的研究中，情况如何？也许还有，这些模型似乎擅长什么？然后也许还有一些开放的机会

目前尚未解决的挑战？是的，人类在解决扫描中是否存在异常方面，其表现差异很大。有很多研究着眼于不同的人查看相同类型的数据时的评分者间一致性。不幸的是，在某些情况下，性能和分歧可能相当差。如果你试图检测大脑中的一些细微变化，

有一些研究表明，专家越专业、训练越充分，他们就越有可能检测到异常。因此，如果某人是专门研究癫痫患者扫描的专业神经放射科医生，他们比查看各种扫描的神经放射科医生更有可能检测到任何异常。

而他们又比普通放射科医生更有可能检测到它，而不仅仅是专门查看神经放射学。所以，就像生活中任何事情一样，你对某件事的专业程度和训练程度越高，你越有可能在扫描中检测到异常。话虽如此，我们有时想要尝试使用人工智能的原因是

寻找人眼不容易检测到的东西。有些东西很难用肉眼感知，但成像数据中存在算法可以捕捉到的模式。我认为这是使用人工智能处理真正不可见或难以检测的事物的一个非常有力的理由。但我们也可以在生活的许多其他方面使用它，贯穿整个过程。

因此，如果我们提出扫描请求，当然会有一份扫描等待名单，因为正在请求许多扫描。也许你可以查看患者提供的信息，并确定哪些是更紧急的，哪些更有可能产生影响我如何治疗患者的异常结果。然后，一旦你完成了扫描，放射科医生将收到一份需要查看的扫描列表。

但是，如果你可以使用某种算法预先评估这些扫描，优先处理扫描并说：“这五次扫描似乎存在异常。先查看这五次扫描。”这样更有用。然后，你可以将其他 100 次可能正常的扫描留到以后。你优先处理那些可能改变某人治疗方案的扫描。

然后我们可以继续。整个过程中有很多步骤可以整合到其中。我很好奇，当你定义时，你知道，它如何改变了当前的工作流程，即自动化模型正在为放射科医生预先选择扫描。

但是，你知道，就能力而言，模型现在发展如此之快，你是否期望模型的能力和人类放射科医生之间的这种关系保持不变？或者你认为这会随着时间的推移而发展？

而且，你知道，你是否预期这是一个持续的演变？或者你认为存在某种人机，你知道，稳态，就技术与人类之间的合作而言？是的，我想，我的意思是，我们经常被问到，人工智能会取代医生吗？确实。基本上就是那种问题。我个人认为不会。

但我认为这将是一种促进和帮助的技术。换句话说，它将增强任何类型医生的能力。它将使你的工作流程更高效、更流畅等等，但它永远不会完全取代人的因素。例如，现在，当我们使用任何这些技术并在影像学中识别我们认为与人工智能相关的项目时，

我们总是将其呈现给医生团队，让他们再次查看扫描，然后确定我们是否认为这与我们相关。它并没有取代我们所做的工作。它给我们提供了一些信息，然后我们自己再回顾一下。例如，有些东西可能一开始就被忽略了，或者很难看到。一种算法说这里可能存在异常。

然后你可以回头确认或反驳你是否认为情况如此。所以它本质上是，我认为它将保持这种类型的事情，增强你所做的事情，而不是替代。所以如果我可以就此进行两秒钟的后续跟进，我不同意你的观点，但我很好奇，因为人们会说，哦，我认为人类会参与其中，等等。但是为什么，根据你所看到的，你为什么认为人类会参与其中？我不是……

我并没有反对这一点，也没有说这是一件坏事。但是当我告诉人们我认为人类会留在其他行业的各种工作流程中时，我得到了这个答案。一个常见的问题是他们会说，为什么？根据你告诉我的，你知道，随着模型的改进，我很好奇你的基本信念是什么。无论算法有多好，它们有时都会犯错误。

在我正在谈论的那种算法中，一个很大的问题是试图检测大脑中的异常是否会导致癫痫发作，那就是很多误报。该技术看起来不错，因为我们正在识别异常所在的位置，但它并没有解决这样一个事实，即可能还有另外三个或四个大脑区域也被识别出来，而这些区域根本没有参与。所以你会得到很多误报。

因此，算法的性能很好，但远非完美。所以我认为这是一个关键原因，为什么你总是需要某种人工监督并对此进行调查。当然，还有一个单独的问题，那就是法律责任是什么？如果算法说 X，你根据该算法做出决定，结果证明它所说的内容是错误的，那么责任是谁的？

是使用该算法的人吗？是编写该算法的人吗？是医生吗？是哪位医生？这是一个艰难的决定。所以我认为在这个过程中总是需要某种形式的人工监督。

在这方面，在法律方面，司法管辖区或管理机构或任何相关的协会都是什么，这些机构是否正在跟上这项工作，并

提前制定法律框架？他们是在赶上还是两者兼而有之？有什么指导意见，以及今天的法律状况如何？这不是我深入研究过的事情，因为每个国家都有自己不同的规则。但总的来说，不幸的是，法律体系落后于世界上正在发生的科技创新。

因此，肯定有很多空间来解决所有这些法律问题以及如何最好地处理它们。是的。我知道，说到世界上的变化，显然我们已经看到了巨大的转变和观念转变，你知道，在过去几年中，人工智能技术有了巨大的转变，例如生成式人工智能、语言模型、视觉模型等等。

我想，研究界正在讨论这些类型的生成技术可能扮演的角色，也许是围绕这类工作的决策支持或其他事情。你在这方面有什么看法，或者你是否与正在考虑这些技术的人员有过接触，除了传统的机器学习方面

传统的机器学习模型或 CNN 或深度学习类型的模型？就这种最新技术的接受或整合而言，现状如何？这不是我本人经常从事的工作领域，因为我主要专注于图像分析方面。

但我认为这回到了我之前提到的关于这些方法的潜在分类机会。因此，鉴于关于我们为什么要进行扫描的文本信息以及访问某人的医疗记录，

可能性是什么？这些事情实际上发生的概率是多少？我们接下来应该进行哪次最紧急的扫描？我认为我看到该领域将是最有用的领域。当你看到这一点时，我发现它非常引人入胜。我的年龄在 50 多岁，做过很多医疗手术，并且看到技术的进步非常迅速。

当你看到你如此专注的这个领域时，你认为这项技术将如何影响这个行业及其工具？你认为随着我们拥有越来越多的 AI 能力、算法能力和更多可用数据，这将如何发展？

可用。你认为影像的未来是什么样的？你认为它可能会走向何方？根据你对你的工作以及它的发展方向和采用速度的思考，你有什么特别想看到的事情发生吗？我只是很好奇未来会是什么样子。我希望看到的是一个

放射科医生坐下来报告他们收到的 20 次扫描。不是扫描 1 到 20，而是最有可能出现异常到最不可能出现异常的扫描。因此，你已经按顺序排列了应该查看的列表。当你打开扫描时，不仅仅是看到扫描本身，只是扫描，

已经对其运行了一个算法，一种你感兴趣的分析类型，并且生成了一个报告，一些建议，一些想法，这些已经反馈到放射学系统中。因此，当你打开它时，它不仅仅是扫描，而是扫描加上某种计算机生成的建议报告。因此，你已经提前获得了这些信息，以便你可以专注于这些领域。

然后潜在地检测到以前可能被忽略的东西或更快地获得东西。然后，一旦报告完成，你就需要某种方法将这些信息以有用的方式反馈给主治医生。目前，发生的情况是放射科医生编写一份报告

然后通过电子方式或不幸的是，在某些情况下通过纸张发送给转诊医生，以便他们在有时间查看时查看。但也许在这个阶段可以加入一些人工智能，它可以生成对这些结果的建议或优先级排序，以便最初请求扫描的医生。

在需要处理的重大异常情况发生时，会更快地收到警报。听起来不错。是的，绝对的。我认为这是一个很好的画面，在我们结束这里的时候。Gavin，很高兴邀请你参加节目。我鼓励大家在节目说明中，我们会包含一些链接，你可以在那里找到 Gavin 的一些论文和

和演示文稿。我鼓励你查看一下。非常感谢你所做的工作，Gavin，感谢你抽出时间与我们聊天。非常高兴。好的，太棒了。非常感谢。好的。这就是我们本周的节目。如果你还没有查看我们的 ChangeLog 时事通讯，请访问 changelog.com/news。在那里你会发现 29 个理由，是的，29 个理由说明你应该订阅。

我会告诉你第 17 个理由，你实际上可能会开始期待星期一。听起来好像有人得了星期一的病。changelog.com/news 上还有 28 个理由在等着你。再次感谢我们 Fly.io 的合作伙伴、Breakmaster Cylinder 的节拍以及你们的收听。现在就到这里，我们下次再聊。