现在的医学成像涉及到一系列复杂的技术，它分析每一个数据点，从健康中找到疾病，从噪音中找到信号。在放射学发展的最初几十年里，研究人员的主要任务是提高身体照片的分辨率，随后几十年的任务是解释数据，确保没有遗漏。
最开始时成像技术的首要任务是诊断医疗状况，现在成像技术慢慢成为治疗的重要部分，尤其是在癌症领域。医生们研究图像，让影像协助自己监测癌细胞扩散，这样就能更快更好地知道治疗是否有效。影像开始扮演新角色，治疗病人的方式有了变化，医生获取的信息更丰富，他们能为病人选择更好的治疗方式。
德克萨斯大学西南医学中心副教授Basak Dogan说：“未来5年内我们将会看到功能性影像成为治疗的一部分。现在的标准影像无法回答真正的临床问题，病人希望治疗能有更高的精准度，这样他们能根据更丰富的信息做出更好的决定，功能性技术能帮到他们。”
早早诊断
充分利用影像，尽可能自动阅读，节省放射科医生宝贵的时间，这是大多影像碰到的第一个障碍，不管是X射线、CT扫描、MRI还是超声波都一样。此时计算机辅助算法能发挥作用，用强大的算力训练计算机，让它区分异常和正常，这是眼下正在进行的工作。
多年来软件专家一直在与放射线医生携手合作，分析大量正常和不正常影像，医生将结果输入计算机程序，让计算机不断学习，最终让它可以区分异常。比较的影像越多，学得越多，AI的区分能力就会越强。
FDA已经批准一种影像算法，它的精准度高达80-90%。尽管如此，FDA仍然提出要求，即使机器学习算法有所发现，最终还是要由人来裁决。AI可以将发现的疑点标记出来，让医生审查，这样医生就能为病人更快提供答案。
在麻省总医院（Mass General Brigham），医院们用大约50种算法协助治疗，从检测动脉瘤和癌症到发现栓塞和中风症状。当中一半算法获得FDA批准，其它还在测试。
总医院放射科首席数据科学官、副主席Keith Dreyer说：“我们的目标是早早发现疾病。有时人类医生要花好几天才能精准诊断，计算机不一样，它不眠不休。如果计算机能做到准确诊断，治病就会更快一些。”
更好地追踪病人
将AI整合到医疗，计算机辅助筛查是第一步，机器学习已经成为监测病人、追踪细微变化的重要工具。这些技术对癌症治疗极为重要，医生要判断癌细胞在增长还是在缩减，或者保持不变，这对于决定如何治疗很重要。
Dogan说：“病人正在做化疗，癌细胞发生了什么？我们很难理解。化疗结束之前标准影像技术无法侦测到任何变化，整个过程可能持续几个月，要几个月才能看到收缩。”
有了AI影像，我们可以发现那些与尺寸和解剖学无关的癌细胞变化。Dogan补充道：“在化疗早期，癌细胞的变化大多还没有到细胞死亡的程度。变化存在于免疫细胞和癌细胞之间的修改性交互。”
许多情况下癌细胞并没有从外向内以预测的方式收缩，相反，肿瘤内的小块癌细胞可能会死亡，其它继续生存，使整个肿块变得坑坑洼洼，如同被虫咬过的毛衣。因为细胞死亡往往与炎症联系在一起，所以有时癌细胞的尺寸还在扩大，但癌细胞数量并不一定在增加。标准影像无法告诉我们有多少癌细胞还活着，有多少已经死亡。最常用的乳腺癌成像技术是乳房X线和超声波，它们只是用来寻找解剖特性。
在德克萨斯大学西南医学中心，Dogan用两种影像技术追踪乳腺癌病人的功能性变化。
第一种，病人每做一个周期的化疗，她就给病人拍照，通过注射微气泡来查看癌细胞周围的细微压力变化。超声波能发现气泡压力的变化，气泡会聚拢在癌细胞周围；与其它组织相比，增长的癌细胞会有更多血管支持其扩张。
在另一项研究中，Dogan测试光声成像技术，它将光转化为声音信号。用激光照射乳腺组织，引起细胞振荡，这样就能形成可以捕捉和分析的声波。光声成像技术可以用来判断癌细胞的含氧量，在增长时癌细胞相比普通细胞需要更多的氧。分析声音的变化，就可以知道哪部分癌细胞正在增长，哪部分没有增长。
Dogan说：“通过分析癌细胞图像，我们能知道哪部分最有可能转移到淋巴结。临床医生无法告诉你哪部分癌细胞会扩散到淋巴结。有了光声技术，我们可以早早发现癌细胞扩散迹象，此时这种迹象还没有在扫描中显现，不需要侵入式活检就能发现扩散。”
发现人类看不见的异常
Dreyer说，当我们有了足够的数据和图像，算法就可以发现人类发现不了的畸变。他的团队正在开发一种算法，这种算法可以测量人体中的生物标记，将指标的变化标出来，告诉某人他可能有中风、骨折或者有心脏病风险。
Dreyer认为该技术是医学成像的“圣杯”，虽然现在还不成熟，但它可以给AI医疗带来变革。
当AI模型越来越多，最终AI成像可以在家里帮到病人。某一天，我们也许可以通过智能手机App获得超声波成像信息。
Dreyer说：“AI给医疗保健带来的真正变化是它能向民众提供多种解决方案，在民众变成病人之前提供，这样民众就能保持健康。”
