L'intelligence artificielle (IA) est un domaine qui permet aux systèmes informatiques de résoudre des problèmes en s'adaptant à des circonstances changeantes, souvent en imitant le raisonnement et le jugement humains. Plusieurs tendances démographiques et sanitaires motivent l’utilisation de l’IA en imagerie médicale. La quantité de données d’imagerie médicale acquises augmente régulièrement (Larson et al., 2011 ; Smith-Bindman et al., 2008, 2012; Winder et al., 2021). Il existe également une pénurie généralisée de personnel soignant (Core Health Indicators in the WHO European Region 2015. Attention particulière : Ressources humaines pour la santé, 2017) avec une charge de travail toujours croissante (Levin et al., 2017), et le nombre d’examens d’imagerie médicale devrait croître de façon exponentielle au cours des deux prochaines décennies (Tsao, 2020). Les radiologues et les manipulateurs en radiologie sont particulièrement rares (AAMC Report Reinforces Mounting Physician Shortage, 2021, Clinical Radiology UK Workforce Census 2019 Report, 2019). Enfin, le vieillissement de la population mondiale (Population Ages 65 and over, n.d. ; WHO, n.d.-a) et le fardeau mondial croissant des maladies chroniques (OMS, n.d.-b) devraient aggraver ces problèmes dans un avenir proche.
D'une manière générale, les avantages de l'IA dans l'imagerie médicale pourraient inclure la capacité de fournir des informations qui ne seraient pas possibles autrement avec les méthodes traditionnelles (telles que les humains regardant des images) et de le faire de manière plus rapide et automatisée. Les solutions d’imagerie médicale basées sur l’IA pourraient améliorer et accélérer la détection des maladies, générer une évaluation approfondie des risques de développement et de progression de la maladie et réduire la subjectivité dans l’interprétation des données d’imagerie médicale.
L’état actuel de l’IA en imagerie médicale
Au cours des dernières années, le paysage de l’IA dans l’imagerie médicale a radicalement changé. De nombreuses applications prometteuses ont vu le jour, le domaine a connu une augmentation sans précédent des financements et nous avons constaté des tendances positives dans l'adoption de solutions d'IA par les radiologues, ainsi que dans leur approbation par les organismes de réglementation.
Applications
Bien que les services de radiologie offrent une multitude de services, le service principal fourni est l'étude d'imagerie. Les applications de l’IA en imagerie médicale peuvent donc être classées en catégories : celles utilisées avant, pendant ou après l’étude d’imagerie.
Avant l'acquisition d'images
Plusieurs étapes doivent avoir lieu dans le contexte du flux de travail d'un service de radiologie avant qu'un patient n’effectue un examen d'imagerie. Les applications d’IA qui visent à améliorer ces étapes sont appelées « IA en amont » et pourraient potentiellement accroître l’efficacité et permettre une prise de décision plus personnalisée dans un service de radiologie.
Les rendez-vous médicaux manqués sont courants, réduisent l’efficacité des hôpitaux et gaspillent les ressources (Dantas et al., 2018). Des études réalisées au Japon (Kurasawa et al., 2016) et au Royaume-Uni (Nelson et al., 2019) ont montré que l’IA peut être utilisée pour prédire les absences avec une grande précision. Cela permet d'utiliser des stratégies ciblées pour réduire la probabilité qu'un patient manque son rendez-vous, notamment l'envoi de rappels automatisés.
L’une des décisions les plus importantes prises dans le service de radiologie est le protocole d’analyse exact à utiliser sur un patient donné. Bien que cela s’applique à toutes les modalités d’imagerie, l’imagerie par résonance magnétique (IRM) offre le choix le plus large. Cela inclut la détermination de l’ensemble approprié de séquences et la prise de décisions quant à l’administration ou non d’agents de contraste intraveineux. Des classificateurs en langage naturel qui interprètent le texte narratif des demandes d'analyse du clinicien ont été utilisés pour sélectionner les protocoles d'IRM appropriés. Dans une étude, un classificateur à amplification de gradient a prédit le protocole d'IRM cérébrale approprié à utiliser en fonction de la demande d'analyse avec une grande précision (95 %) (Brown et Marotta, 2018). Pour l’IRM musculo-squelettique, un classificateur d’apprentissage profond était précis à 83 % pour déterminer le besoin d’un agent de contraste (Trivedi et al., 2018). De telles applications peuvent améliorer considérablement l'efficacité en évitant aux radiologues la tâche fastidieuse de répondre à des demandes d'analyse narratives non structurées rédigées par des cliniciens référents.
Pendant l'acquisition d'images
Des manipulations substantielles ont récemment été apportées à l’utilisation de l’IA pour améliorer la qualité des images. Dans une enquête récente, les radiologues ont identifié l’amélioration de la qualité des images comme étant le cas d’utilisation actuel le plus courant de l’IA en imagerie médicale (Alexander et al., 2020). Alors que les tentatives antérieures visant à réduire le bruit des images à l’aide de techniques d’apprentissage profond ont été critiquées pour la suppression des détails des images qui mettaient en danger la visibilité des caractéristiques essentielles des images, des implémentations plus récentes ont rendu ce problème largement obsolète.
En particulier, les techniques d’apprentissage profond telles que les réseaux contradictoires génératifs ont montré un grand potentiel dans le débruitage des images (Wang et al., 2021). Certaines de ces applications ciblent l'étape de reconstruction d'image (où les données brutes du capteur sont converties en une image interprétable) offrant des rapports signal/bruit supérieurs et réduisant les artefacts d'image (Zhu et al., 2018). Dans le dépistage du cancer du poumon, le débruitage d'images basé sur l'apprentissage profond a amélioré à la fois la qualité de l'image et la précision diagnostique de la tomodensitométrie (TDM) à très faible dose pour détecter les nodules pulmonaires suspects (Hata et al., 2020 ; Kerpel et al., 2021). Les scans acquis de 40 à 60 % plus rapidement que les scans standards et améliorés avec des algorithmes basés sur l'apprentissage profond étaient d'une meilleure qualité d'image que les scans standards du cerveau et d'une valeur diagnostique similaire à ceux-ci (Bash, Wang, et al., 2021 ; Rudie et al., 2022) et à ceux de la colonne vertébrale (Bash, Johnson, et al., 2021). De même, les réseaux de neurones convolutifs peuvent être utilisés pour réduire les artefacts spécifiques de TDM et d'IRM et améliorer la résolution spatiale (Hauptmann et al., 2019 ; K. H. Kim & Park, 2017; Park et al., 2018; Y. Zhang & Yu, 2018).
Les algorithmes de reconstruction basés sur l’apprentissage profond ont permis d’acquérir des tomodensitométries à très faible dose tout en maintenant la qualité du diagnostic. Ceci est particulièrement bénéfique chez les enfants et les femmes enceintes, pour lesquels la réduction de la dose de rayonnement au minimum absolu est essentielle. Ces approches de reconstruction d'images de TDM basées sur l'apprentissage profond sont associées à un bruit d'image plus faible et à une meilleure texture d'image que les alternatives de pointe comme la reconstruction itérative (Higaki et al., 2020 ; McLeavy et al., 2021 ; Singh et al., 2020). En tomographie par émission de positons, l'apprentissage profond peut réduire d'un tiers la dose de traceur injecté et les temps d'analyse jusqu'à la moitié tout en maintenant la qualité de l'analyse (Katsari et al., 2021 ; Le et al., 2020 ; Xu et al., 2020).
Après l'acquisition d'images
Les manipulateurs en radiologie et les radiologues partagent généralement la tâche de rappeler les patients pour des examens répétés, mais il est extrêmement difficile de le faire de manière cohérente et fiable en raison des contraintes de temps. Il a été démontré que la qualité d'image des IRM cérébrales améliorées par l'IA est égale ou meilleure que celle des examens conventionnels, même en utilisant des protocoles d'acquisition qui réduisent les temps d'analyse de 45 à 60 % (Schreiber-Zinaman & Rosenkrantz, 2017).
La priorisation de la lecture des examens sur la liste de travail d'un radiologue est souvent effectuée en fonction de plusieurs facteurs, notamment le type d'examen, le service de référence et la communication directe avec le radiologue concernant l'urgence de l'examen. Plusieurs approches ont été testées pour influencer l'ordre dans lequel les analyses sont lues afin d'améliorer l'efficacité et de garantir que les analyses les plus critiques soient vues en premier. Il s'agit notamment d'attribuer des examens spécifiques à différents radiologues en fonction de la rapidité avec laquelle ils lisent certains types d'analyses (Wong et al., 2019), de détecter automatiquement les résultats émergents sur les images et de placer ces cas « en haut de la liste » (Prevedello et al., 2017 ; Winkel et coll., 2019).
Environ 70 % de toutes les solutions basées sur l'IA en radiologie se concentrent sur la « perception » - une catégorie de fonctionnalités qui comprend la segmentation, l'extraction de caractéristiques, ainsi que la détection et la classification de la pathologie (Rezazade Mehrizi et al., 2021). Au sein de cette catégorie, la majorité des outils extraient des informations des données d'imagerie avec ou sans quantification et attirent l'attention de l'utilisateur sur une pathologie potentielle (Rezazade Mehrizi et al., 2021 ; van Leeuwen et al., 2021). Au cours des dernières années, certaines des applications les plus prometteuses dans cette catégorie ont inclus la détection de l'occlusion des vaisseaux cérébraux, des hémorragies cérébrales, des nodules pulmonaires, du pneumothorax et des épanchements pleuraux, des fractures et la caractérisation des lésions mammaires.
Financement
Le montant total des investissements dans les sociétés d’imagerie médicale basées sur l’IA s’est élevé à 1,17 milliard de dollars entre 2014 et 2019 (Alexander et al., 2020). Au cours de la même période, le nombre d'entreprises dans ce domaine a triplé, entraînant une baisse de près de 30 % de l'investissement médian dans chaque entreprise (Alexander et al., 2020). Entre 2019 et 2020, les investissements privés dans les entreprises d’IA ont augmenté de 9,3 % (D. Zhang et al., 2021). D’ici 2030, les investissements dans les solutions d’imagerie médicale basées sur l’IA devraient dépasser les 3 milliards de dollars (Tsao, 2020).
Adoption
Des tendances positives ont été constatées dans l’adoption d’outils d’IA par les radiologues et les manipulateurs en radiologie au cours des dernières années. Entre 2015 et 2020, l’utilisation de l’IA dans les services de radiologie a augmenté de 30 %, selon une enquête menée auprès de 1 861 radiologues par l’American College of Radiology (ACR) (Allen et al., 2021).
Malgré cette tendance prometteuse, l’adoption des outils d’IA est largement considérée comme étant disproportionnellement faible par rapport au montant du financement, au nombre d’entreprises et à la promesse perçue de ces outils. L’enquête de l’ACR donne un aperçu des raisons et offre un point de départ pour développer des stratégies visant à améliorer l’adoption de l’IA.
Près des trois quarts des radiologues qui n’utilisaient pas l’IA n’envisageaient pas de le faire à l’avenir, soit parce qu’ils n’étaient pas convaincus de ses avantages, soit parce qu’ils ne pensaient pas que les coûts associés étaient justifiés (Allen et al., 2021).
Des résultats similaires ont été trouvés dans d’autres études, les radiologues citant le scepticisme quant aux capacités des outils d’IA et le fait que relativement peu d’entre eux disposent d’une approbation réglementaire pour ne pas les adopter dans leur pratique (Alexander et al., 2020).
Succès réglementaire
Jusqu'en août 2019, 60 % des solutions de radiologie basées sur l'IA disponibles n'avaient aucune approbation réglementaire (Rezazade Mehrizi et al., 2021). En avril 2020, un total de 100 solutions d’IA portaient le marquage CE, condition préalable à leur commercialisation en tant que dispositifs médicaux en Europe (van Leeuwen et al., 2021). Au moment de la rédaction de cet article, plus de 150 solutions d'IA avaient obtenu l'autorisation de la FDA (AI Central, n.d.). Plusieurs bases de données utiles de solutions basées sur l'IA approuvées ou autorisées dans le domaine des soins de santé médicaux sont actuellement disponibles (AI Central, n.d., AI for Radiology, n.d., Medical AI Evaluation, n.d., The Medical Futurist, n.d.).
L’avenir de l’IA en imagerie médicale
Ces dernières années ont vu une croissance exponentielle de l’intérêt pour l’IA en imagerie médicale, tant en termes de volume de recherche que de montant d’argent investi dans ce domaine. Cet intérêt couvre toute la gamme du flux de travail en radiologie, mais les applications de « perception » – pour la quantification des biomarqueurs et la détection des processus pathologiques – ont dominé jusqu'à présent. Dans la communauté de la radiologie, les tendances sont passées d’une perception de l’IA comme un intrus indésirable à une adoption croissante, bien qu’avec un certain scepticisme et une certaine hésitation quant à sa valeur. Les premières solutions d’IA en imagerie médicale ont obtenu l’approbation réglementaire, et nous avons vu les premières indications sur la manière dont ces solutions pourraient être remboursées.
Nouvelles directions
Avec la reconnaissance croissante du fait qu'une grande partie du potentiel de l'IA en imagerie médicale peut résider dans des applications « en amont » ou « non interprétatives », ce domaine est susceptible d'élargir son champ d'action dans les années à venir. Cela comprendra davantage de recherches sur les applications qui améliorent l’efficacité des flux de travail en radiologie et fournissent des soins plus personnalisés aux patients (Alexander et al., 2020). Il est probable que l’IA s’impliquera davantage encore plus tôt dans le processus de prise en charge des patients, c’est-à-dire avant que le clinicien ne décide qu’un test d’imagerie diagnostique est nécessaire. De telles applications, essentiellement des systèmes d'aide à la décision clinique, ont été utilisées avec succès pour la prise de décision concernant les traitements dans plusieurs contextes (Bennett & Hauser, 2013 ; Komorowski et al., 2018), utilisées avec succès dans la prise de décision thérapeutique (Bennett & Hauser, 2013). À l'avenir, les solutions d'IA pourraient attirer l'attention des cliniciens sur la nécessité de réaliser des tests d'imagerie supplémentaires basés sur l'examen des informations cliniques du patient, des tests de laboratoire et des tests d'imagerie antérieurs (Makeeva et al., 2019).
La grande majorité (77 à 84 %) des solutions d'IA actuellement disponibles en imagerie médicale ciblent la TDM, l'IRM et les radiographies simples (Rezazade Mehrizi et al., 2021 ; van Leeuwen et al., 2021). Les techniques d'imagerie nucléaire, telles que la tomographie par émission de positons (TEP), fournissent des informations uniques que les autres modalités ne permettent pas d'obtenir facilement. La TEP a jusqu'à présent été largement négligée en termes de recherche sur l'IA (Rezazade Mehrizi et al., 2021 ; van Leeuwen et al., 2021), et constitue donc une voie potentiellement prometteuse pour l'expansion de ce domaine.
La recherche sur l’IA devrait également évoluer dans le type de données utilisées. Le patient hospitalisé typique reçoit plus d'une étude d'imagerie au cours de son séjour à l'hôpital (Shinagare et al., 2014). Malgré cela, seulement environ 3 % des solutions actuelles de radiologie basées sur l’IA combinent des données provenant de plusieurs modalités (Rezazade Mehrizi et al., 2021 ; van Leeuwen et al., 2021). La combinaison de données provenant de plusieurs sources d’imagerie peut améliorer les capacités de diagnostic des solutions d’IA. En outre, les futures solutions d’IA en radiologie combineront probablement des informations d’imagerie, des informations cliniques ainsi que des tests de diagnostic sans imagerie (Huang et al., 2020). Ce faisant, les solutions d'IA pourraient être en mesure d'identifier des modèles dans les données collectées pendant le séjour à l'hôpital d'un patient qui pourraient ne pas être facilement identifiables par les professionnels de santé (Rockenbach, 2021). Cela pourrait à terme conduire à des diagnostics plus précis et aider à éclairer des décisions de traitement meilleures et plus personnalisées.
Les attentes à l’égard des solutions d’imagerie médicale basées sur l’IA sont également susceptibles de s’éloigner de l’accent actuel mis sur le triage, l’amélioration des images et l’automatisation. Avec une complexité algorithmique croissante, la disponibilité des données et l'expérience avec ces outils, ce changement pourrait conduire à des solutions d'IA permettant d'établir des diagnostics spécifiques et de recommander des étapes spécifiques dans le plan de prise en charge d'un patient. De la même manière que l’introduction des premiers outils d’IA pour la sélection et le traitement d’images vers 2018 a stimulé les investissements dans ce domaine, les analyses marketing prédisent une augmentation similaire des investissements dans les prochaines années à mesure que les outils d’IA fournissant des diagnostics et des étapes de gestion spécifiques se généralisent (Michoud et al., 2019).
Une critique importante adressée au paysage actuel, sans doute encore naissant, de l’IA dans l’imagerie médicale est qu’il est trop fragmenté. Les professionnels de la radiologie apprécieraient probablement une intégration plus rationalisée des solutions d’IA dans leur flux de travail quotidien. Cela inclut une intégration transparente de ces solutions dans les flux de travail de radiologie établis, le plus possible « en arrière-plan », sans intervention de l'utilisateur. De plus, les résultats de ces solutions pourraient être intégrés dans les systèmes d’information radiologique disponibles. Par conséquent, le domaine pourrait passer de la pléthore de solutions d’IA de niche actuellement disponibles, chacune ciblant une seule application très spécifique, à des suites logicielles plus larges remplissant de nombreuses fonctions différentes pour une modalité d’imagerie ou une région du corps donnée.
L’investissement fragmenté dans le marché de l’IA dans l’imagerie médicale (Alexander et al., 2020) favorise l’innovation, permettant à de nombreux acteurs de tester différentes stratégies dans ce domaine émergent. Cependant, à long terme, la consolidation pourrait accroître l’adoption et stimuler le type d’intégration transparente nécessaire dans les flux de travail existants, permettant à moins d’entreprises de proposer ces solutions à grande échelle (Alexander et al., 2020).
Défis
Qualité et communication des preuves
Dans une analyse de 100 solutions d’IA marquées CE, 64 % d’entre elles ne disposaient d’aucune preuve scientifique évaluée par des pairs quant à leur efficacité (van Leeuwen et al., 2021). Lorsqu’il existait des preuves scientifiques, le niveau était faible, dépassant rarement la démonstration de l’exactitude du diagnostic (van Leeuwen et al., 2021). Une autre revue systématique des données probantes sur les algorithmes d’apprentissage profond en imagerie médicale a révélé une précision diagnostique généralement élevée, bien qu’avec un risque élevé de biais entre les études (Aggarwal et al., 2021). Les principales sources de biais incluent le manque de validation externe (D. W. Kim et al., 2019 ; Liu et al., 2019), la communication des résultats insuffisamment détaillée (Liu et al., 2019), la conception des études rétrospectives (Nagendran et al., 2020) et l'inaccessibilité des données et du code aux évaluateurs et aux lecteurs (Nagendran et al., 2020).
Dans l’ensemble, les études sur les outils d’IA ont montré un manque inquiétant de rapports standardisés et de respect des recommandations en matière de rapports (Aggarwal et al., 2021 ; Yusuf et al., 2020). Ceci malgré le fait que plusieurs extensions des lignes directrices établies en matière de rapports, ainsi que des lignes directrices spécifiques à l’IA, sont actuellement disponibles (Shelmerdine et al., 2021). La mise en oeuvre généralisée de ces lignes directrices devrait être une priorité pour les développeurs d’IA à l’avenir.
Les développeurs d’IA doivent également être conscients que le niveau de preuve actuellement « acceptable » pour les solutions basées sur l’IA deviendra probablement obsolète dans un avenir proche. Les régulateurs et les utilisateurs potentiels exigeront probablement des niveaux de preuves plus élevés pour ces solutions, semblables à ceux requis pour les nouveaux médicaments pharmaceutiques. Au cours des prochaines années, davantage de ces solutions d’IA seront testées dans le cadre d’essais cliniques randomisés. Dans un avenir plus lointain, il est plausible que ces attentes iront au-delà de la fourniture de preuves de la sécurité, de l’efficacité ou des performances diagnostiques de ces solutions, pour atteindre la démonstration de leur valeur ajoutée monétaire ou sociétale.
Relever le défi consistant à améliorer la qualité et la communication des données probantes pour les solutions basées sur l’IA pourrait s’avérer payant à long terme. Cela pourrait réduire le risque de biais dans les études sur l’IA, permettre une évaluation approfondie et transparente de la qualité des études par les utilisateurs potentiels et les régulateurs, et pourrait faciliter les revues systématiques et les méta-analyses. Ces mesures peuvent accroître la confiance et l'adoption des solutions basées sur l'IA et garantir qu'elles offrent des améliorations réalistes et durables dans la vie des gens.
Régulation
Plusieurs aspects inhérents à l’IA posent des défis aux tentatives de régulation de celle-ci, comme d’autres interventions de soins de santé. Le fonctionnement interne des solutions d’IA est souvent opaque et difficile à décrire de manière exhaustive d’une manière traditionnellement attendue par les organismes de réglementation.
Les dernières années nous ont montré que ces défis réglementaires sont loin d’être insurmontables. La Food and Drug Administration et la Commission européenne ont récemment proposé des cadres réglementaires initiaux pour les solutions d’IA (Center for Devices & Radiological Health, 2021 ; Commission européenne, 2021).
En partie en réponse à la transparence nécessaire à l'approbation réglementaire, les chercheurs ont réalisé des progrès substantiels en rendant la prise de décision en matière d'IA plus compréhensible et explicable. Ce mouvement vers une « IA interprétable » prendra encore plus d’ampleur dans un avenir proche, à mesure que le recours à l’IA pour la prise de décision clinique dans le monde réel augmentera.
Cela présente de nombreux avantages, notamment faciliter l'approbation réglementaire, accroître la confiance des utilisateurs dans ces solutions, minimiser les biais et améliorer la reproductibilité de ces solutions (Holzinger et al., 2017 ; Kolyshkina & Simoff, 2021 ; “Towards Trustable Machine Learning,” 2018 ; Yoon et al., 2021).
Confidentialité des données
Du développement et des tests à la mise en oeuvre, les solutions d’IA en imagerie médicale nécessitent un accès aux données des patients. Cela a soulevé des inquiétudes concernant la confidentialité des données, qui est une question multiforme et très complexe (Murdoch, 2021) qui est largement représentée dans les voies réglementaires de différents pays (COCIR, le Comité de Coordination Européen de l'industrie radiologique, électromédicale et informatique des soins de santé, 2020). Les solutions proposées à la question de la confidentialité des données vont de celles axées sur la surveillance à des approches plus techniques.
Les patients qui fournissent les données doivent être informés qu'ils le font et être informés de la raison et de la manière dont leurs données seront utilisées (Lotan et al., 2020), comme le stipule explicitement le règlement général sur la protection des données de l'UE ( RGPD) (Règlement général sur la protection des données [RGPD] – Texte juridique officiel, 2016). Compte tenu du développement rapide des solutions d’IA, la question de savoir si les patients peuvent être suffisamment informés au fur et à mesure que ces algorithmes sont continuellement modifiés a été soulevée (Kritikos, 2020). Bien que les données entièrement anonymisées ne soient pas soumises à des exigences aussi strictes en vertu du RGPD (Qu'est-ce que les données à caractère personnel ?, 2021), l'anonymisation est extrêmement difficile à réaliser pour les données d'imagerie médicale.
La question de la confidentialité des données devra être abordée sur plusieurs fronts. Outre la législation régissant l'utilisation des données des patients, il devient de plus en plus clair que toutes les personnes impliquées dans le développement et l'utilisation de solutions d'IA - développeurs, payeurs, organismes de réglementation, chercheurs et radiologues - ont un rôle à jouer pour garantir que les données sont protégées et utilisées de manière responsable.
En outre, les prochaines années verront probablement de nouvelles recherches sur les approches techniques visant à renforcer la protection des données. Il s'agit notamment de meilleurs moyens de réduire les chances que les données soient retracées jusqu'aux individus, de méthodes permettant de conserver les données sensibles stockées localement même lorsque l'algorithme en cours de formation est hébergé dans un emplacement « central », de perturbation des données pour minimiser les informations contenues dans un ensemble de données fourni concernant des patients et le cryptage des données (G. Kaissis et al., 2021 ; G. A. Kaissis et al., 2020).
Démocratisation
Pour que l’IA en imagerie médicale soit à la hauteur de son potentiel, les algorithmes développés doivent fonctionner pour tout le monde. Cette « démocratisation » de l’IA implique de garantir que les prestataires de soins de santé disposent des connaissances et des compétences nécessaires pour utiliser les solutions basées sur l’IA. À quelques exceptions près (Paranjape et al., 2019), les programmes d’études des étudiants en médecine incluent actuellement peu ou pas de formation dédiée à l’IA (Banerjee et al., 2021 ; Blease et al., 2022). Des enquêtes menées partout dans le monde ont montré que l’exposition des étudiants en médecine et des médecins (Ahmed et al., 2022 ; Bisdas et al., 2021 ; Collado-Mesa et al., 2018 ; Kansal et al., 2022 ; Pinto Dos Santos et al., 2019 ; Sit et al., 2020) à l’IA pendant la formation était faible malgré la forte demande pour davantage de formation en IA (Kansal et al., 2022 ; Ooi et al., 2021 ; Sit et al., 2020). En outre, il existe encore de grandes différences entre les sexes et les pays dans la perception des connaissances sur l’IA parmi les étudiants en médecine (Bisdas et al., 2021). Il existe de nombreuses raisons à ces différences et de nombreux défis associés à l’intégration généralisée de l’enseignement de l’IA dans les programmes de formation en soins de santé. Dans les années à venir, des stratégies permettant de résoudre ces problèmes devraient être étudiées afin de garantir que les futurs prestataires de soins de santé disposent des connaissances et des compétences dont ils ont besoin pour travailler dans un environnement où l’IA joue un rôle croissant.
La démocratisation implique également de garantir que les patients de différents sexes, modes de vie, ethnies et zones géographiques puissent bénéficier de solutions basées sur l'IA. Pour cela, il faut que ces solutions soient accessibles et leurs performances généralisables. Cette dernière nécessite l’acquisition de données diverses auprès de plusieurs institutions, de préférence de plusieurs pays, pour former des solutions basées sur l’IA. Cela nécessite également la mise en oeuvre de garanties pour garantir que les sources de biais tout au long du processus de développement ne se propagent pas à l'algorithme formé (Vokinger et al., 2021), un problème qui n'est apparu que récemment au premier plan (Larrazabal et al., 2020 ; Obermeyer et al., 2019 ; Seyyed- Kalantari et al., 2021).
Remboursement
Alors que les politiques nationales de réglementation de l’IA dans les soins de santé commencent progressivement à prendre forme, un aspect important auquel il faut prêter attention est de savoir qui paiera pour ces solutions d’IA, et selon quel cadre.
Beaucoup considèrent la loi allemande sur l'offre numérique de 2020 comme un pas dans la bonne direction en matière de remboursement des solutions de santé numérique. En vertu de cette politique, les applications numériques prescrites par les médecins sont remboursables par l'assurance maladie légale si elles s'avèrent sûres, conformes aux lois sur la confidentialité des données et améliorant les soins aux patients. Le Royaume-Uni, quant à lui, a publié un guide destiné aux acheteurs potentiels de solutions basées sur l'IA, qui sert de point de départ aux entreprises pour préparer les demandes de remboursement (A Buyer's Guide to AI in Health and Care, 2020).
Jusqu’à présent, les réussites en matière de remboursement dans le domaine de la santé numérique ont été rares (Brink-mann-Sass et al., 2020 ; Hassan, 2021). Cela est dû en partie aux exigences qui varient considérablement selon les pays (COCIR, Comité de Coordination Européen de l'industrie radiologique, électromédicale et informatique des soins de santé, 2020). En général, les fournisseurs de solutions de santé numérique devront fournir des preuves de la valeur globale que ces solutions apportent, notamment des études détaillées sur l’économie de la santé montrant des économies de coûts potentielles.
La position de la radiologie en tant que fournisseur de services pour plusieurs services hospitaliers signifie que les solutions basées sur l'IA dans ce domaine devraient avoir un impact considérable (van Duffelen, 2021). Les entreprises devront démontrer une valeur à court terme (par exemple, une lecture et un rapport d'images plus rapides et de meilleure qualité) ainsi qu'une valeur à long terme (par exemple un diagnostic et un traitement précoces, la prévention des maladies, la réduction des suivis inutiles). Les années à venir verront les entreprises rivaliser pour démontrer un tel impact, tout en expérimentant différents modèles de tarification et en naviguant dans le paysage bureaucratique en constante évolution du remboursement.
Conclusion
Au cours des dernières années, le domaine de l’IA dans l’imagerie médicale a connu une transformation rapide mais constante. L’IA peut désormais réaliser des choses en radiologie que peu de gens croyaient possibles il y a à peine dix ans. Le domaine est également en train de surmonter progressivement l’un de ses obstacles les plus importants : l’approbation réglementaire. De plus, alors que la peur et le scepticisme dominaient il y a quelques années la perception des radiologues quant à l’avenir de l’IA dans leur spécialité, ce n’est plus le cas.
Les progrès massifs et l’intérêt suscités par l’IA dans l’imagerie médicale devraient se poursuivre au-delà. Plusieurs transformations passionnantes attendent ce domaine : il étendra probablement son champ d'action dans les années à venir pour améliorer l'efficacité du flux de travail en radiologie, impliquer des modalités d'imagerie jusqu'à présent négligées, combiner les données de plusieurs modalités et fournir des prévisions diagnostiques et des recommandations de gestion plus concrètes. Des suites logicielles complètes et faciles à utiliser employant l'IA seront incorporées dans les flux de travail existants en radiologie, ce qui facilitera le travail des radiologues et des radiographes et les rendra plus efficaces.
Comme dans tout domaine en croissance rapide, l’IA dans le domaine de l’imagerie médicale est confrontée à plusieurs défis scientifiques, réglementaires et économiques. Mais ces dernières années nous ont montré que même les problèmes les plus difficiles peuvent être résolus. Les développeurs et utilisateurs de solutions basées sur l’IA doivent être conscients de ces enjeux afin de pouvoir adapter leurs stratégies à l’évolution des attentes au niveau réglementaire et sociétal. Cela leur permettra de prospérer dans un domaine fascinant ayant le potentiel d’améliorer pratiquement tous les aspects des soins de santé.
Références
AAMC Report Reinforces Mounting Physician Shortage. (2021). AAMC. https://www.aamc.org/news-insights/press- releases/aamc-report-reinforces-mounting-physician-shortage
A buyer’s guide to AI in health and care. (2020). NHS Transformation Directorate. https://www.nhsx.nhs.uk/ai-lab/ explore-all-resources/adopt-ai/a-buyers-guide-to-ai-in-health- and-care/
Aggarwal, R., Sounderajah, V., Martin, G., Ting, D. S. W., Karthikesalingam, A., King, D., Ashrafian, H., & Darzi, A. (2021). Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digital Medicine, 4(1), 65.
Ahmed, Z., Bhinder, K. K., Tariq, A., Tahir, M. J., Mehmood, Q., Tabassum, M. S., Malik, M., Aslam, S., Asghar, M. S., & Yousaf, Z. (2022). Knowledge, attitude, and practice of artificial intelligence among doctors and medical students in Pakistan: A cross-sectional online survey. Annals of Medicine and Surgery (2012), 76, 103493.
AI Central. (n.d.). Retrieved February 23, 2022, from https://aicentral.acrdsi.org/
AI for Radiology. (n.d.). Retrieved February 23, 2022, from https://grand-challenge.org/aiforradiology/
Alexander, A., Jiang, A., Ferreira, C., & Zurkiya, D. (2020). An Intelligent Future for Medical Imaging: A Market Outlook on Artificial Intelligence for Medical Imaging. Journal of the American College of Radiology: JACR, 17(1 Pt B), 165–170.
Allen, B., Agarwal, S., Coombs, L., Wald, C., & Dreyer, K. (2021). 2020 ACR Data Science Institute Artificial Intelligence Survey. Journal of the American College of Radiology: JACR, 18(8), 1153–1159.
Banerjee, M., Chiew, D., Patel, K. T., Johns, I., Chappell, D., Linton, N., Cole, G. D., Francis, D. P., Szram, J., Ross, J., & Zaman, S. (2021). The impact of artificial intelligence on clinical education: perceptions of postgraduate trainee doctors in London (UK) and recommendations for trainers. BMC Medical Education, 21(1), 429.
Bash, S., Johnson, B., Gibbs, W., Zhang, T., Shankaranarayanan, A., & Tanenbaum, L. N. (2021). Deep Learning Image Processing Enables 40 % Faster Spinal MR Scans Which Match or Exceed Quality of Standard of Care : A Prospective Multicenter Multireader Study. Clinical Neuroradiology. https://doi.org/10.1007/s00062-021-01121-2
Bash, S., Wang, L., Airriess, C., Zaharchuk, G., Gong, E., Shankaranarayanan, A., & Tanenbaum, L. N. (2021). Deep Learning Enables 60 % Accelerated Volumetric Brain MRI While Preserving Quantitative Performance: A Prospective, Multicenter, Multireader Trial. AJNR. American Journal of Neuroradiology, 42(12), 2130–2137.
Bennett, C. C., & Hauser, K. (2013). Artificial intelligence framework for simulating clinical decision-making: a Markov decision process approach. Artificial Intelligence in Medicine, 57(1), 9–19.
Bisdas, S., Topriceanu, C.-C., Zakrzewska, Z., Irimia, A.-V., Shakallis, L., Subhash, J., Casapu, M.-M., Leon-Rojas, J., Pinto Dos Santos, D., Andrews, D. M., Zeicu, C., Bouhuwaish, A. M., Lestari, A. N., Abu-Ismail, L. ’i, Sadiq, A. S., Khamees, A. ’atasim, Mohammed, K. M. G., Williams, E., Omran, A. I.,… Ebrahim, E. H. (2021). Artificial Intelligence in Medicine: A Multinational Multi-Center Survey on the Medical and Dental Students’ Perception. Frontiers in Public Health, 9, 795284.
Blease, C., Kharko, A., Bernstein, M., Bradley, C., Houston, M., Walsh, I., Hägglund, M., DesRoches, C., & Mandl, K. D. (2022). Machine learning in medical education: a survey of the experiences and opinions of medical students in Ireland. BMJ Health & Care Informatics, 29(1). https://doi.org/10.1136/ bmjhci-2021-100480
Brown, A. D., & Marotta, T. R. (2018). Using machine learning for sequence-level automated MRI protocol selection in neuroradiology. Journal of the American Medical Informatics Association: JAMIA, 25(5), 568–571.
Center for Devices, & Radiological Health. (2021, June 22). Digital Health Software Precertification (Pre-Cert) program.
U.S. Food and Drug Administration. https://www.fda.gov/ medical-devices/digital-health-center-excellence/digital-health- software-precertification-pre-cert-program
Clinical radiology UK workforce census 2019 report. (2019). https://www.rcr.ac.uk/publication/clinical-radiology-uk- workforce-census-2019-report
COCIR, the European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry. (2020). Market Access Pathways for Digital Health Solutions. https://www.cocir.org/fileadmin/Publications_2020/20062_ COCIR_Market_Access_Pathways_Digital_Health.pdf
Collado-Mesa, F., Alvarez, E., & Arheart, K. (2018). The Role of Artificial Intelligence in Diagnostic Radiology: A Survey at a Single Radiology Residency Training Program. Journal of the American College of Radiology: JACR, 15(12), 1753–1757.
Core Health Indicators in the WHO European Region 2015. Special focus: Human resources for health. (2017, August 14). World Health Organization. https://www.euro.who.int/en/ data-and-evidence/evidence-resources/core-health-indicators- in-the-who-european-region/core-health-indicators-in-the- who-european-region-2015.-special-focus-human-resources- for-health
Dantas, L. F., Fleck, J. L., Cyrino Oliveira, F. L., & Hamacher, S. (2018). No-shows in appointment scheduling - a systematic literature review. Health Policy, 122(4), 412–421.
Esses, S. J., Lu, X., Zhao, T., Shanbhogue, K., Dane, B., Bruno, M., & Chandarana, H. (2018). Automated image quality evaluation of T2 -weighted liver MRI utilizing deep learning architecture. Journal of Magnetic Resonance Imaging: JMRI, 47(3), 723–728.
European Commission. (2021). Proposal for a Regulation Of The European Parliament And Of The Council Laying Down
Harmonised Rules On Artificial Intelligence (Artificial Intelligence Act) And Amending Certain Union Legislative Act. https://eur-lex. europa.eu/resource.html?uri=cellar:e0649735-a372-11eb- 9585-01aa75ed71a1.0001.02/DOC_1&format=PDF
General Data Protection Regulation (GDPR) – Official Legal Text. (2016, July 13). General Data Protection Regulation (GDPR). https://gdpr-info.eu/
Hata, A., Yanagawa, M., Yoshida, Y., Miyata, T., Tsubamoto, M., Honda, O., & Tomiyama, N. (2020). Combination of Deep Learning-Based Denoising and Iterative Reconstruction for Ultra-Low-Dose CT of the Chest: Image Quality and Lung-RADS Evaluation. AJR. American Journal of Roentgenology, 215(6), 1321–1328.
Hauptmann, A., Arridge, S., Lucka, F., Muthurangu, V., & Steeden, J. A. (2019). Real-time cardiovascular MR with
spatio-temporal artifact suppression using deep learning-proof of concept in congenital heart disease. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine, 81(2), 1143–1156.
Higaki, T., Nakamura, Y., Zhou, J., Yu, Z., Nemoto, T., Tatsugami, F., & Awai, K. (2020). Deep Learning Reconstruction at CT: Phantom Study of the Image Characteristics. Academic Radiology, 27(1), 82–87.
Holzinger, A., Biemann, C., Pattichis, C. S., & Kell, D. B. (2017). What do we need to build explainable AI systems for the medical domain? In arXiv [cs.AI]. arXiv. http://arxiv.org/ abs/1712.09923
Hötker, A. M., Da Mutten, R., Tiessen, A., Konukoglu, E., & Donati, O. F. (2021). Improving workflow in prostate MRI: AI- based decision-making on biparametric or multiparametric MRI. Insights into Imaging, 12(1), 112.
Huang, S.-C., Pareek, A., Seyyedi, S., Banerjee, I., & Lungren, M. P. (2020). Fusion of medical imaging and electronic health records using deep learning: a systematic review and implementation guidelines. NPJ Digital Medicine, 3, 136.
Kaissis, G. A., Makowski, M. R., Rückert, D., & Braren, R. F. (2020). Secure, privacy-preserving and federated machine learning in medical imaging. Nature Machine Intelligence, 2(6), 305–311.
Kaissis, G., Ziller, A., Passerat-Palmbach, J., Ryffel, T., Usynin, D., Trask, A., Lima, I., Mancuso, J., Jungmann, F., Steinborn, M.-M., Saleh, A., Makowski, M., Rueckert, D., & Braren, R. (2021). End-to-end privacy preserving deep learning on multi-institutional medical imaging. Nature Machine Intelligence, 3(6), 473–484.
Kansal, R., Bawa, A., Bansal, A., Trehan, S., Goyal, K., Goyal, N., & Malhotra, K. (2022). Differences in Knowledge and Perspectives on the Usage of Artificial Intelligence Among Doctors and Medical Students of a Developing Country: A Cross- Sectional Study. Cureus, 14(1), e21434.
Katsari, K., Penna, D., Arena, V., Polverari, G., Ianniello, A., Italiano, D., Milani, R., Roncacci, A., Illing, R. O., & Pelosi, E. (2021). Artificial intelligence for reduced dose 18F-FDG PET examinations: a real-world deployment through a standardized framework and business case assessment. EJNMMI Physics, 8(1), 25.
Kerpel, A., Marom, E. M., Green, M., Eifer, M., Konen, E., Mayer, A., & Betancourt Cuellar, S. L. (2021). Ultra-Low Dose Chest CT with Denoising for Lung Nodule Detection. The Israel Medical Association Journal: IMAJ, 23(9), 550–555.
Kim, D. W., Jang, H. Y., Kim, K. W., Shin, Y., & Park, S. H. (2019).
Design Characteristics of Studies Reporting the Performance of Artificial Intelligence Algorithms for Diagnostic Analysis of
Medical Images: Results from Recently Published Papers. Korean Journal of Radiology: Official Journal of the Korean Radiological Society, 20(3), 405–410.
Kim, K. H., & Park, S.-H. (2017). Artificial neural network for suppression of banding artifacts in balanced steady-state free precession MRI. Magnetic Resonance Imaging, 37, 139–146.
Kolyshkina, I., & Simoff, S. (2021). Interpretability of Machine Learning Solutions in Public Healthcare: The CRISP-ML Approach. Frontiers in Big Data, 4, 660206.
Komorowski, M., Celi, L. A., Badawi, O., Gordon, A. C., & Faisal, A. A. (2018). The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nature Medicine, 24(11), 1716–1720.
Kritikos, M. (2020). What if artificial intelligence in medical imaging could accelerate Covid-19 treatment? Think Tank
- European Parliament. https://www.europarl.europa.eu/ thinktank/en/document/EPRS_ATA(2020)656333
Kurasawa, H., Hayashi, K., Fujino, A., Takasugi, K., Haga, T., Waki, K., Noguchi, T., & Ohe, K. (2016). Machine-Learning- Based Prediction of a Missed Scheduled Clinical Appointment by Patients With Diabetes. Journal of Diabetes Science and Technology, 10(3), 730–736.
Larrazabal, A. J., Nieto, N., Peterson, V., Milone, D. H., & Ferrante, E. (2020). Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis. Proceedings of the National Academy of Sciences of the United States of America, 117(23), 12592–12594.
Larson, D. B., Johnson, L. W., Schnell, B. M., Salisbury, S. R., & Forman, H. P. (2011). National trends in CT use in the emergency department: 1995-2007. Radiology, 258(1), 164–173.
Le, V., Frye, S., Botkin, C., Christopher, K., Gulaka, P., Sterkel, B., Frye, R., Muzaffar, R., & Osman, M. (2020). Effect of PET Scan with Count Reduction Using AI-Based Processing Techniques on Image Quality. Journal of Nuclear Medicine: Official Publication, Society of Nuclear Medicine, 61(supplement 1), 3095–3095.
Levin, D. C., Parker, L., & Rao, V. M. (2017). Recent Trends in Imaging Use in Hospital Settings: Implications for Future Planning. Journal of the American College of Radiology: JACR, 14(3), 331–336.
Liu, X., Faes, L., Kale, A. U., Wagner, S. K., Fu, D. J., Bruynseels, A., Mahendiran, T., Moraes, G., Shamdas, M., Kern, C., Ledsam, J. R., Schmid, M. K., Balaskas, K., Topol, E.J., Bachmann, L. M., Keane, P. A., & Denniston, A. K. (2019). A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. The Lancet. Digital Health, 1(6), e271–e297.
Lotan, E., Tschider, C., Sodickson, D. K., Caplan, A. L., Bruno, M., Zhang, B., & Lui, Y. W. (2020). Medical Imaging and Privacy in the Era of Artificial Intelligence: Myth, Fallacy, and the Future. Journal of the American College of Radiology: JACR, 17(9), 1159–1162.
Mairhöfer, D., Laufer, M., Simon, P. M., Sieren, M., Bischof, A., Käster, T., Barth, E., Barkhausen, J., & Martinetz, T. (2021). An AI-based Framework for Diagnostic Quality Assessment of Ankle Radiographs. https://openreview.net/pdf?id=bj04hJss_xZ
Makeeva, V., Gichoya, J., Hawkins, C. M., Towbin, A. J., Heilbrun, M., & Prater, A. (2019). The Application of Machine Learning to Quality Improvement Through the Lens of the Radiology Value Network. Journal of the American College of Radiology: JACR, 16(9 Pt B), 1254–1258.
McLeavy, C. M., Chunara, M. H., Gravell, R. J., Rauf, A., Cushnie, A., Staley Talbot, C., & Hawkins, R. M. (2021). The future of CT: deep learning reconstruction. Clinical Radiology, 76(6), 407–415.
Medical AI Evaluation. (n.d.). Retrieved February 23, 2022, from https://ericwu09.github.io/medical-ai-evaluation/
Michoud, L., Tschudi, Y., & Villien, Y. (2019). Artificial Intelligence for Medical Imaging: Market and Technology Report 2020. Yole Développement. https://s3.i-micronews.com/ uploads/2020/01/YDR20059-AI-for-Medical-Imaging_Yole_ sample.pdf
Murdoch, B. (2021). Privacy and artificial intelligence: challenges for protecting health information in a new era. BMC Medical Ethics, 22(1), 122.
Nagendran, M., Chen, Y., Lovejoy, C. A., Gordon, A. C., Komorowski, M., Harvey, H., Topol, E. J., Ioannidis, J. P. A., Collins, G. S., & Maruthappu, M. (2020). Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies. BMJ, 368. https://doi.org/10.1136/bmj.m689
Nelson, A., Herron, D., Rees, G., & Nachev, P. (2019). Predicting scheduled hospital attendance with artificial intelligence. Npj Digital Medicine, 2(1), 26.
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453.
Ooi, S. K. G., Makmur, A., Soon, A. Y. Q., Fook-Chong, S., Liew, C., Sia, S. Y., Ting, Y. H., & Lim, C. Y. (2021). Attitudes toward artificial intelligence in radiology with learner needs assessment within radiology residency programmes: a national multi-programme survey. Singapore Medical Journal, 62(3), 126–134.
Paranjape, K., Schinkel, M., Nannan Panday, R., Car, J., & Nanayakkara, P. (2019). Introducing Artificial Intelligence Training in Medical Education. JMIR Medical Education, 5(2), e16048.
Park, J., Hwang, D., Kim, K. Y., Kang, S. K., Kim, Y. K., & Lee, J. S. (2018). Computed tomography super-resolution using deep convolutional neural network. Physics in Medicine and Biology, 63(14), 145011.
Pinto Dos Santos, D., Giese, D., Brodehl, S., Chon, S. H., Staab, W., Kleinert, R., Maintz, D., & Baeßler, B. (2019). Medical students’ attitude towards artificial intelligence: a multicentre survey. European Radiology, 29(4), 1640–1646.
Population ages 65 and above. (n.d.). The World Bank. Retrieved February 23, 2022, from https://data.worldbank.org/ indicator/SP.POP.65UP.TO.ZS
Prevedello, L. M., Erdal, B. S., Ryu, J. L., Little, K. J., Demirer, M., Qian, S., & White, R. D. (2017). Automated Critical Test Findings Identification and Online Notification System Using Artificial Intelligence in Imaging. Radiology, 285(3), 923–931.
Rezazade Mehrizi, M. H., van Ooijen, P., & Homan, M. (2021). Applications of artificial intelligence (AI) in diagnostic radiology: a technography study. European Radiology, 31(4), 1805–1811.
Rockenbach, M. A. B. (2021, June 13). Multimodal AI in healthcare: Closing the gaps. CodeX. https://medium.com/codex/ multimodal-ai-in-healthcare-1f5152e83be2
Rudie, J. D., Gleason, T., Barkovich, M. J., Wilson, D. M., Shankaranarayanan, A., Zhang, T., Wang, L., Gong, E., Zaharchuk, G., & Villanueva-Meyer, J. E. (2022). Clinical Assessment of Deep Learning–based Super-Resolution for 3D Volumetric Brain MRI. Radiology: Artificial Intelligence, e210059.
Schreiber-Zinaman, J., & Rosenkrantz, A. B. (2017). Frequency and reasons for extra sequences in clinical abdominal MRI examinations. Abdominal Radiology (New York), 42(1), 306–311.
Seyyed-Kalantari, L., Zhang, H., McDermott, M. B. A., Chen, I. Y., & Ghassemi, M. (2021). Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nature Medicine, 27(12), 2176–2182.
Shelmerdine, S. C., Arthurs, O. J., Denniston, A., & Sebire, N. J. (2021). Review of study reporting guidelines for clinical studies using artificial intelligence in healthcare. BMJ Health & Care Informatics, 28(1). https://doi.org/10.1136/ bmjhci-2021-100385
Shinagare, A. B., Ip, I. K., Abbett, S. K., Hanson, R., Seltzer, S. E., & Khorasani, R. (2014). Inpatient imaging utilization: trends of the past decade. AJR. American Journal of Roentgenology, 202(3), W277–W283.
Singh, R., Digumarthy, S. R., Muse, V. V., Kambadakone, A. R., Blake, M. A., Tabari, A., Hoi, Y., Akino, N., Angel, E., Madan, R., & Kalra, M. K. (2020). Image Quality and Lesion Detection on Deep Learning Reconstruction and Iterative Reconstruction of Submillisievert Chest and Abdominal CT. AJR. American Journal of Roentgenology, 214(3), 566–573.
Sit, C., Srinivasan, R., Amlani, A., Muthuswamy, K., Azam, A., Monzon, L., & Poon, D. S. (2020). Attitudes and perceptions of UK medical students towards artificial intelligence and radiology: a multicentre survey. Insights into Imaging, 11(1), 14.
Smith-Bindman, R., Miglioretti, D. L., Johnson, E., Lee, C., Feigelson, H. S., Flynn, M., Greenlee, R. T., Kruger, R. L., Hornbrook, M. C., Roblin, D., Solberg, L. I., Vanneman, N., Weinmann, S., & Williams, A. E. (2012). Use of diagnostic imaging studies and associated radiation exposure for patients enrolled in large integrated health care systems, 1996-2010. JAMA: The Journal of the American Medical Association, 307(22), 2400–2409.
Smith-Bindman, R., Miglioretti, D. L., & Larson, E. B. (2008). Rising use of diagnostic medical imaging in a large integrated health system. Health Affairs, 27(6), 1491–1502.
The Medical Futurist. (n.d.). The Medical Futurist. Retrieved February 23, 2022, from https://medicalfuturist.com/fda- approved-ai-based-algorithms/
Towards trustable machine learning. (2018). Nature Biomedical Engineering, 2(10), 709–710.
Trivedi, H., Mesterhazy, J., Laguna, B., Vu, T., & Sohn, J. H. (2018). Automatic Determination of the Need for Intravenous Contrast in Musculoskeletal MRI Examinations Using IBM Watson’s Natural Language Processing Algorithm. Journal of Digital Imaging, 31(2), 245–251.
Tsao, D. N. (2020, July 27). AI in medical diagnostics 2020- 2030: Image recognition, players, clinical applications, forecasts: IDTechEx. https://www.idtechex.com/en/research- report/ai-in-medical-diagnostics-2020-2030-image- recognition-players-clinical-applications-forecasts/766
van Duffelen, J. (2021, February 22). Making a case for buying medical imaging AI: How to define the return on investment.
Aidence. https://www.aidence.com/articles/medical-imaging- ai-roi/
van Leeuwen, K. G., Schalekamp, S., Rutten, M. J. C. M., van Ginneken, B., & de Rooij, M. (2021). Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. European Radiology, 31(6), 3797–3804.
Vokinger, K. N., Feuerriegel, S., & Kesselheim, A. S. (2021). Mitigating bias in machine learning for medicine. Communication & Medicine, 1, 25.
Wang, S., Cao, G., Wang, Y., Liao, S., Wang, Q., Shi, J., Li, C., & Shen, D. (2021). Review and Prospect: Artificial Intelligence in Advanced Medical Imaging. Frontiers in Radiology, 1. https://doi. org/10.3389/fradi.2021.781868
What is personal data? (2021, January 1). ICO - Information Commissioner’s Office; ICO. https://ico.org.uk/for-organisations/ guide-to-data-protection/guide-to-the-general-data-protection- regulation-gdpr/what-is-personal-data/what-is-personal-data
WHO. (n.d.-a). Ageing and health. Retrieved February 23, 2022, from https://www.who.int/news-room/fact-sheets/detail/ ageing-and-health
WHO. (n.d.-b). Noncommunicable diseases. Retrieved March 6, 2022, from https://www.who.int/news-room/fact-sheets/detail/ noncommunicable-diseases
Winder, M., Owczarek, A. J., Chudek, J., Pilch-Kowalczyk, J., & Baron, J. (2021). Are We Overdoing It? Changes in Diagnostic Imaging Workload during the Years 2010-2020 including the Impact of the SARS-CoV-2 Pandemic. Healthcare (Basel, Switzerland), 9(11). https://doi.org/10.3390/healthcare9111557
Winkel, D. J., Heye, T., Weikert, T. J., Boll, D. T., & Stieltjes, B. (2019). Evaluation of an AI-Based Detection Software for Acute Findings in Abdominal Computed Tomography Scans: Toward an Automated Work List Prioritization of Routine CT Examinations. Investigative Radiology, 54(1), 55–59.
Wong, T. T., Kazam, J. K., & Rasiej, M. J. (2019). Effect of Analytics-Driven Worklists on Musculoskeletal MRI
Interpretation Times in an Academic Setting. AJR. American Journal of Roentgenology, 1–5.
Xu, F., Pan, B., Zhu, X., Gulaka, P., Xiang, L., Gong, E., Zhang, T., Wang, J., Lin, L., Ma, Y., & Gong, N.-J. (2020). Evaluation of Deep Learning Based PET Image Enhancement Method in Diagnosis of Lymphoma. Journal of Nuclear Medicine: Official Publication, Society of Nuclear Medicine, 61(supplement 1), 431–431.
Yoon, C. H., Torrance, R., & Scheinerman, N. (2021). Machine learning in medicine: should the pursuit of enhanced interpretability be abandoned? Journal of Medical Ethics. https://doi.org/10.1136/medethics-2020-107102
Yusuf, M., Atal, I., Li, J., Smith, P., Ravaud, P., Fergie, M., Callaghan, M., & Selfe, J. (2020). Reporting quality of studies using machine learning models for medical diagnosis: a systematic review. BMJ Open, 10(3), e034568.
Zhang, D., Mishra, S., Brynjolfsson, E., Etchemendy, J., Ganguli, D., Grosz, B., Lyons, T., Manyika, J., Niebles, J. C., Sellitto, M., Shoham, Y., Clark, J., & Perrault, R. (2021). The AI Index 2021 Annual Report. In arXiv [cs.AI]. arXiv. http://arxiv.org/ abs/2103.06312
Zhang, Y., & Yu, H. (2018). Convolutional Neural Network Based Metal Artifact Reduction in X-Ray Computed Tomography. IEEE Transactions on Medical Imaging, 37(6), 1370–1381.
Zhu, B., Liu, J. Z., Cauley, S. F., Rosen, B. R., & Rosen, M. S. (2018). Image reconstruction by domain-transform manifold learning. Nature, 555(7697), 487–492.
