L’intelligenza artificiale (IA) è un campo che consente ai sistemi informatici di risolvere problemi adattandosi alle circostanze mutevoli, spesso imitando il ragionamento e il giudizio umano. L’uso dell’IA nell’imaging medico è attualmente orientato a varie tendenze demografiche e sanitarie. La quantità di dati di imaging medico che vengono acquisiti è in costante aumento (Larson et al., 2011; Smith- Bindman et al., 2008, 2012; Winder et al., 2021). Vi è inoltre una diffusa carenza di operatori sanitari (Core Health Indicators in the WHO European Region 2015. Special Focus: Human Resources for Health, 2017) con un carico di lavoro sempre crescente (Levin et al., 2017), e si prevede che il numero di esami di imaging medico crescerà esponenzialmente nei prossimi due decenni (Tsao, 2020). Mancano, in particolare, medici radiologi e tecnici di radiologia (AAMC Report Reinforces Mounting Physician Shortage, 2021, Clinical Radiology UK Workforce Census 2019 Report, 2019). Infine, si prevede che nel prossimo futuro questi problemi saranno aggravati dall’invecchiamento della popolazione mondiale (Population Ages 65 and above, senza data; OMS, senza data-a) e dal crescente carico globale di malattie croniche (OMS, senza data-b).

In generale, il vantaggio dell’intelligenza artificiale nell’imaging medico potrebbe consistere nella possibilità di ottenere informazioni che non sarebbe possibile ottenere con i metodi tradizionali (come con la semplice osservazione delle immagini da parte di un essere umano) e di averle più rapidamente e in modo più automatizzato (senza bisogno dell’intervento umano). Le soluzioni basate sull’IA nell’imaging medico potrebbero migliorare e accelerare l’identificazione delle patologie, generare una valutazione approfondita del rischio di sviluppo e progressione di una malattia e ridurre la soggettività nell’interpretazione dei dati di imaging medico.

Lo stato attuale dell’intelligenza artificiale nell’imaging medico
Il futuro dell’intelligenza artificiale nell’imaging medico
Conclusione
Bibliografia

Lo stato attuale dell’intelligenza artificiale nell’imaging medico

Negli ultimi anni il panorama dell’IA nell’imaging medico è cambiato radicalmente. Sono emerse molte applicazioni promettenti; il campo ha visto un aumento senza precedenti di stanziamenti di denaro e abbiamo assistito a tendenze positive nell’adozione di soluzioni di IA da parte dei radiologi, nonché nella loro approvazione da parte degli organismi normativi.

Applicazioni

Sebbene i reparti di radiologia forniscano una vasta gamma di servizi, il servizio principale è indubbiamente l’esame di imaging. È dunque possibile suddividere le applicazioni di IA in quelle da applicare prima, durante o dopo l’esame di imaging.

Prima dell'acquisizione delle immagini

Nel contesto del flusso di lavoro di un reparto di radiologia, vi sono alcuni passaggi da svolgere prima che un paziente venga sottoposto a un esame di imaging. Le applicazioni di IA che mirano a migliorare questi passaggi sono chiamate “IA a monte” (upstream AI) e potrebbero aumentarne l’efficienza rendendo più personalizzato il processo decisionale in un reparto di radiologia.

La mancata presentazione del paziente all’appuntamento per l’esame è piuttosto comune e l’efficienza degli ospedali, oltre a comportare uno spreco di risorse (Dantas et al., 2018). Studi condotti in Giappone (Kurasawa et al., 2016) e nel Regno Unito (Nelson et al., 2019) hanno dimostrato che l’IA può essere utilizzata per prevedere questa problematica con elevata accuratezza, il che consentirebbe di mettere in atto strategie volte a ridurre la probabilità che un paziente non si presenti all’esame, ad esempio inviando promemoria automatici.

Una delle decisioni più importanti che viene presa nei reparti di radiologia è l'esatto protocollo di scansione da utilizzare per un determinato paziente. Pur valendo per tutte le modalità di imaging, la gamma più ampia di scelta si ha con la risonanza magnetica (RM), per la quale si può scegliere la serie di sequenze più appropriata e si deve decidere se sia opportuno o meno somministrare mezzi di contrasto per via endovenosa. Per selezionare adeguati protocolli di RM sono stati utilizzati classificatori del linguaggio naturale che interpretano il testo delle richieste di scansione del medico. In uno studio, un classificatore di aumento del gradiente ha previsto il protocollo giusto da utilizzare in una RM cerebrale in base alla richiesta dell’esame con elevata accuratezza (95%) (Brown & Marotta, 2018). Per la RM muscoloscheletrica, un classificatore basato sul deep learning (apprendimento profondo) ha mostrato un’accuratezza dell'83% nel determinare la necessità di utilizzo di un mezzo di contrasto (Trivedi et al., 2018). Tali applicazioni possono migliorare sostanzialmente l’efficienza eliminando per il radiologo la gravosa (in termini di tempo) attività di comprensione dei testi non strutturati delle richieste di esami scritte dai medici richiedenti.

Durante l’acquisizione delle immagini

Recentemente sono stati apportati miglioramenti sostanziali nell’uso dell’IA per migliorare la qualità delle immagini. In un recente sondaggio, dei radiologi hanno indicato proprio il miglioramento della qualità dell’immagine come l’esigenza principale per cui l’IA potrebbe rivelarsi utile nell’imaging medico (Alexander et al., 2020). Anche se i primi tentativi di ridurre il rumore nelle immagini mediante tecniche di deep learning sono stati criticati perché avevano rimosso alcuni dettagli, mettendo a repentaglio la visibilità delle caratteristiche essenziali dell’immagine stessa, le implementazioni più recenti hanno per lo più superato questo problema.

In particolare, tecniche di deep learning come le reti generative avversarie hanno mostrato di avere grandi potenzialità nel ridurre il rumore nelle immagini (Wang et al., 2021). Alcune di queste applicazioni agiscono sulla fase di ricostruzione dell'immagine (in cui i dati grezzi del sensore vengono convertiti in un'immagine interpretabile), fornendo rapporti segnale/rumore superiori e riducendo gli artefatti indesiderati nelle immagini (Zhu et al., 2018). Nello screening del cancro del polmone, la riduzione del rumore nelle immagini basata sul deep learning ha migliorato sia la qualità delle immagini che l’accuratezza diagnostica della tomografia computerizzata (TC) a dose ultra-bassa per il rilevamento di noduli polmonari sospetti (Hata et al., 2020; Kerpel et al., 2021). Le scansioni che sono state acquisite più velocemente del 40-60% rispetto alle scansioni standard e migliorate con algoritmi basati sul deep learning presentavano una qualità dell'immagine migliore e un valore diagnostico simile alle scansioni standard cerebrali (Bash, Wang, et al., 2021; Rudie et al., 2022) e della colonna vertebrale (Bash, Johnson, et al., 2021). Analogamente, per ridurre specifici artefatti in TC e RM e per migliorare la risoluzione spaziale si possono utilizzare le reti neurali convoluzionali (Hauptmann et al., 2019; K. H. Kim & Park, 2017; Park et al., 2018; Y. Zhang & Yu, 2018).

Gli algoritmi di ricostruzione basati sul deep learning hanno consentito di effettuare scansioni mediante tomografia computerizzata a dose ultra-bassa mantenendo la qualità diagnostica, un aspetto che apporta particolari benefici soprattutto nei bambini e nelle donne in gravidanza, nei quali è di fondamentale importanza ridurre la dose di radiazioni al minimo assoluto. Questi approcci di ricostruzione delle immagini TC basati sul deep learning si associano ad un minor rumore e a una migliore struttura dell'immagine rispetto ad alternative all'avanguardia come la ricostruzione iterativa (Higaki et al., 2020; McLeavy et al., 2021; Singh et al., 2020). Nella tomografia a emissione di positroni, il deep learning può ridurre la dose di tracciante iniettata di un terzo e i tempi di scansione fino alla metà, pur mantenendo la stessa qualità della scansione (Katsari et al., 2021; Le et al., 2020; Xu et al., 2020).

Dopo l'acquisizione delle immagini

I tecnici di radiologia e i medici radiologi di solito condividono il compito di richiamare i pazienti per ripetere gli esami, ma farlo in modo coerente e affidabile è estremamente difficile a causa della mancanza di tempo. È stato dimostrato che la qualità delle immagini delle scansioni di RM cerebrale potenziate dall’IA è uguale o migliore di quella delle scansioni convenzionali anche quando si utilizzano protocolli di acquisizione con tempi di scansione ridotti del 45-60% (Schreiber-Zinaman & Rosenkrantz, 2017).

La prioritizzazione della lettura delle immagini nella lista di lavoro di un radiologo viene spesso effettuata in base a vari fattori, tra cui il tipo di scansione, il reparto richiedente e la comunicazione diretta con il radiologo sull'urgenza dell’esame. Per decidere l’ordine di lettura delle immagini per una migliore efficienza e per garantire che le scansioni più importanti siano visualizzate per prime sono stati testati diversi approcci, tra cui l’assegnazione di specifici esami a diversi radiologi in base alla velocità di lettura di determinati tipi di scansioni (Wong et al., 2019) e il rilevamento automatico dei reperti emergenti sulle immagini, con lo spostamento di questi casi “in cima alla lista” (Prevedello et al., 2017; Winkel et al., 2019). Circa il 70% delle soluzioni basate sull’IA in radiologia si concentra sulla "percezione", una categoria di funzionalità che include la segmentazione, l'estrazione delle caratteristiche, nonché il rilevamento e la classificazione della patologia (Rezazade Mehrizi et al., 2021). All'interno di questa categoria, la maggior parte degli strumenti estrae le informazioni dai dati di imaging con o senza quantificazione e attira l'attenzione dell'utente sulle possibili patologie (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021). Negli ultimi anni, alcune delle applicazioni più promettenti di questa categoria sono state il rilevamento di occlusioni dei vasi cerebrali, emorragie cerebrali, noduli polmonari, pneumotorace e versamenti pleurici e fratture, nonché la caratterizzazione delle lesioni mammarie.

Finanziamento

Tra il 2014 e il 2019, il totale degli investimenti fatti nelle aziende di imaging medico basate sull’IA è stato pari a 1,17 miliardi di dollari (Alexander et al., 2020). Nello stesso periodo il numero di aziende operanti in questo ambito è triplicato, il che ha determinato un calo quasi del 30% negli investimenti medi in ciascuna azienda (Alexander et al., 2020). Tra il 2019 e il 2020, gli investimenti privati nelle aziende di IA sono aumentati del 9,3% (D. Zhang et al., 2021). Entro il 2030 si prevede che gli investimenti in soluzioni basate sull’IA nell’imaging medico supereranno i 3 miliardi di dollari (Tsao, 2020).

Adozione

Negli ultimi anni si sono registrate tendenze positive nell’adozione di strumenti di IA da parte di medici radiologi e tecnici di radiologia. Secondo un sondaggio condotto dall’American College of Radiology (ACR) su 1.861 radiologi, tra il 2015 e il 2020 l’uso dell’IA nei reparti di radiologia è aumentato del 30% (Allen et al., 2021).

Nonostante questa tendenza promettente, l’adozione di strumenti di IA è ampiamente considerata sproporzionatamente bassa rispetto all’importo dei finanziamenti, al numero di aziende e al potenziale percepito di questi strumenti. Il sondaggio dell’ACR spiega in parte il perché e offre uno spunto iniziale da cui sviluppare strategie per migliorare l’adozione dell’IA.

Quasi tre quarti dei radiologi che non utilizzavano l’IA non avevano intenzione di farlo in futuro perché non erano convinti dei suoi benefici o non pensavano che i costi associati fossero giustificabili (Allen et al., 2021). Altri studi hanno dato risultati simili: i radiologi non solo si sono detti scettici sulla capacità degli strumenti di IA, ma hanno indicato come una delle ragioni per non adottarli nel loro ambito professionale il fatto che relativamente pochi di essi sono stati approvati dagli enti normativi (Alexander et al., 2020).

Successo normativo

Fino all’agosto 2019, il 60% delle soluzioni radiologiche disponibili basate sull’IA non disponeva dell’approvazione normativa (Rezazade Mehrizi et al., 2021). Nell’aprile 2020 erano 100 in totale le soluzioni di IA che avevano ottenuto il marchio CE, che costituisce un prerequisito per poterle immettere in commercio come dispositivi medici in Europa (van Leeuwen et al., 2021). Al momento della redazione del presente documento, hanno ottenuto l'approvazione della Food and Drug Administration (FDA) statunitense più di 150 soluzioni di IA (AI Central, senza data). Attualmente esistono numerosi database utili di soluzioni basate sull’IA approvate o omologate per il settore dell’assistenza sanitaria (AI Central, senza data;AI for Radiology, senza data;Medical AI Evaluation, senza data;The Medical Futurist, senza data).

Il futuro dell’intelligenza artificiale nell’imaging medico

Negli ultimi anni si è assistito a una crescita esponenziale dell’interesse per l’IA nell’imaging medico, sia in termini di quantità di ricerca che di quantità di denaro investito nel campo. Questo interesse abbraccia l’intero flusso di lavoro radiologico, ma finora hanno dominato le applicazioni concentrate sulla “percezione”, ossia quelle per la quantificazione dei biomarcatori e per l’individuazione dei processi patologici. Nella comunità radiologica si è osservato uno spostamento dalla percezione dell’IA come un intruso sgradito a una maggiore adozione delle soluzioni basate su di essa, seppur con un certo scetticismo ed esitazione riguardo al suo valore. Le prime soluzioni di IA nell’imaging medico hanno ottenuto l’approvazione normativa e abbiamo osservato le prime indicazioni su come tali soluzioni potrebbero essere rimborsate.

Nuove direzioni

A mano a mano che si riconoscerà che gran parte delle potenzialità dell’IA nell’imaging medico potrebbero risiedere in applicazioni “a monte” o “non interpretative”, è probabile che il campo si allargherà nei prossimi anni. Vedremo dunque maggiori ricerche su applicazioni che potrebbero migliorare l’efficienza dei flussi di lavoro radiologici e fornire un’assistenza più personalizzata ai pazienti (Alexander et al., 2020). È probabile che si utilizzerà maggiormente l’IA anche nelle prime fasi del processo di gestione del paziente, ovvero prima che il medico decida che è necessario un esame di imaging. Tali applicazioni, costituite essenzialmente da sistemi di supporto alle decisioni cliniche, sono state utilizzate con successo per il processo decisionale relativo ai trattamenti in vari contesti (Bennett & Hauser, 2013; Komorowski et al., 2018; Bennett & Hauser, 2013). In futuro le soluzioni di IA potrebbero attirare l'attenzione dei medici sulla necessità di eseguire ulteriori esami di imaging sulla base dello studio dei dati clinici che riguardano il paziente, degli esami di laboratorio e degli esami di imaging precedenti (Makeeva et al., 2019).

La stragrande maggioranza (77-84%) delle soluzioni di IA attualmente utilizzate nell’imaging medico riguarda TC, RM e radiografie semplici (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021). Le tecniche di imaging nucleare, come la tomografia a emissione di positroni (PET), forniscono informazioni uniche, non facili da ottenere con altre modalità. La PET è stata finora largamente trascurata in termini di ricerca sull’IA (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021) ed è quindi un ambito potenzialmente promettente per l’espansione del campo.

Si prevede inoltre un grosso cambiamento nel tipo di dati che verranno utilizzati nella ricerca sull’IA. Ogni paziente ricoverato viene sottoposto generalmente a più di un esame di imaging durante il periodo di degenza ospedaliera (Shinagare et al., 2014). Nonostante ciò, solo il 3% circa delle attuali soluzioni radiologiche basate sull’IA combina dati ottenuti con più modalità (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021). La combinazione di dati provenienti da più fonti di imaging potrebbe migliorare le capacità diagnostiche delle soluzioni di IA. Inoltre, è probabile che le future soluzioni di IA in radiologia combinino dati ottenuti tramite imaging, informazioni cliniche e test diagnostici non costituiti da immagini (Huang et al., 2020). In questo modo, le soluzioni di IA potrebbero essere in grado di identificare nei dati raccolti durante la degenza ospedaliera di un paziente degli schemi che potrebbero non essere facilmente identificabili dagli operatori sanitari (Rockenbach, 2021). Questo potrebbe portare in ultima istanza a diagnosi più accurate e contribuire alla presa di decisioni terapeutiche migliori e più personalizzate.

È probabile che anche le aspettative nei confronti delle soluzioni di imaging medico basate sull’IA si spostino dall’attuale focus sul triage, sul miglioramento delle immagini e sull’automazione. Con l'aumento della complessità degli algoritmi, della disponibilità dei dati e dell'esperienza con questi strumenti, questo cambiamento potrebbe portare le soluzioni di IA a raggiungere diagnosi specifiche e a raccomandare interventi specifici nel piano di gestione di un paziente. Proprio come l’introduzione dei primi strumenti di IA per lo screening e l’elaborazione delle immagini intorno al 2018 aveva stimolato gli investimenti nel settore, le analisi di marketing prevedono un simile incremento degli investimenti nei prossimi anni man mano che si diffonderanno strumenti di IA capaci di emettere diagnosi specifiche e di determinare interventi di gestione (Michoud et al. al., 2019).

Una delle critiche più importanti che vengono mosse all’attuale, probabilmente ancora nascente, panorama dell’IA nell’imaging medico è che è troppo frammentato. I radiologi professionisti apprezzerebbero piuttosto un’integrazione più snella delle soluzioni di IA nel loro flusso di lavoro quotidiano. Ciò include la perfetta integrazione di queste soluzioni nei flussi di lavoro radiologici consolidati, con la maggior quantità possibile di processi che avvengono "in background" senza l'intervento dell'utente. Inoltre, i risultati di queste soluzioni potrebbero essere integrati nei sistemi informatici radiologici esistenti. Di conseguenza, il campo potrebbe spostarsi dalla sovrabbondanza di soluzioni di IA di nicchia attualmente disponibili, ciascuna mirata a una singola applicazione molto specifica, a suite software più ampie che svolgano molteplici funzioni diverse per una determinata modalità di imaging o area del corpo.

L’investimento frammentato in IA nel mercato dell’imaging medico (Alexander et al., 2020) promuove l’innovazione, consentendo a molti attori di testare diverse strategie in questo campo emergente. Tuttavia, nel lungo termine il consolidamento potrebbe aumentare l’adozione di tali soluzioni e stimolarne l’integrazione diretta nei flussi di lavoro esistenti, consentendo a un minor numero di aziende di offrire queste soluzioni su larga scala (Alexander et al., 2020).

Sfide

Qualità e comunicazione delle evidenze

In una revisione di 100 soluzioni di intelligenza artificiale con marchio CE, il 64% di esse non disponeva di evidenze scientifiche sottoposte a revisione paritaria dell’efficacia (van Leeuwen et al., 2021). Laddove esistevano evidenze scientifiche, il livello era basso, raramente superiore alla dimostrazione dell’accuratezza diagnostica (van Leeuwen et al., 2021). Un’altra revisione sistematica delle evidenze a favore degli algoritmi di deep learning nell’imaging medico ha rilevato un’accuratezza diagnostica generalmente elevata, seppur con un alto rischio di bias tra gli studi (Aggarwal et al., 2021). Le principali fonti di bias sono la mancanza di validazione esterna (D.W. Kim et al., 2019; Liu et al., 2019), una refertazione non sufficientemente dettagliata dei risultati (Liu et al., 2019), un disegno degli studi di tipo retrospettivo (Nagendran et al., 2020) e l’inaccessibilità di dati e codici da parte dei revisori e dei lettori (Nagendran et al., 2020).

Nel complesso, gli studi sugli strumenti di IA hanno mostrato una preoccupante mancanza di refertazione standardizzata e di aderenza alle linee guida di refertazione raccomandate (Aggarwal et al., 2021; Yusuf et al., 2020), nonostante siano attualmente disponibili diverse estensioni delle linee guida di refertazione consolidate, nonché linee guida specifiche per l’IA (Shelmerdine et al., 2021). L’implementazione diffusa di queste linee guida dovrebbe essere al centro dell’attenzione degli sviluppatori di IA in futuro.

Gli sviluppatori di IA dovrebbero anche essere a conoscenza del fatto che il livello di evidenza attualmente “accettabile” per le soluzioni basate sull’IA diventerà probabilmente obsoleto nel prossimo futuro. Sia gli enti normativi che i potenziali utenti probabilmente richiederanno livelli di evidenza più elevati per queste soluzioni, simili a quelli previsti per i nuovi farmaci. Nei prossimi anni molte di queste soluzioni di IA verranno testate in studi clinici randomizzati. In un futuro più lontano, è plausibile che tali aspettative vadano oltre la semplice fornitura di evidenze sulla sicurezza, sull’efficacia o sulle prestazioni diagnostiche di queste soluzioni, per arrivare alla dimostrazione della loro capacità di dare un valore aggiunto monetario o sociale.

Raccogliere la sfida di migliorare la qualità e la comunicazione delle evidenze per le soluzioni basate sull’IA può ripagare nel lungo termine: potrebbe ridurre il rischio di bias negli studi sull’IA, consentire una valutazione approfondita e trasparente della qualità degli studi da parte di potenziali utenti ed enti normativi e facilitare l’esecuzione di revisioni sistematiche e meta-analisi. Questi processi potrebbero aumentare la fiducia nelle soluzioni basate sull’IA e la loro adozione, nonché garantire che offrano miglioramenti realistici e sostenibili nella vita delle persone.

Regolamentazione

Vari aspetti dell’intelligenza artificiale pongono delle difficoltà a chi tenta di regolamentarla come fa con altri interventi nel settore sanitario. I meccanismi interni delle soluzioni di IA sono spesso poco trasparenti e difficili da descrivere approfonditamente nelle modalità tradizionalmente previste dagli organismi di regolamentazione.

Gli ultimi anni ci hanno dimostrato che queste difficoltà a livello di regolamentazione sono tutt’altro che irrisolvibili. Sia la Food and Drug Administration statunitense che la Commissione europea hanno recentemente proposto quadri normativi iniziali per le soluzioni di IA (Center for Devices & Radiological Health, 2021; Commissione europea, 2021).

In parte in risposta alla trasparenza necessaria per l’approvazione normativa, i ricercatori hanno compiuto progressi sostanziali nel rendere il processo decisionale dell’IA più comprensibile e spiegabile. Questo movimento verso un’intelligenza artificiale “interpretabile” acquisirà ulteriore slancio nel prossimo futuro, man mano che aumenterà la dipendenza dall’IA per il processo decisionale clinico nella pratica clinica reale.

Questo presenterà molti vantaggi, tra cui la semplificazione dell’approvazione normativa, l’aumento della fiducia in queste soluzioni da parte degli utenti, la riduzione al minimo dei pregiudizi e il miglioramento della riproducibilità di queste soluzioni (Holzinger et al., 2017; Kolyshkina & Simoff, 2021; “Towards Trustable Machine Learning”, 2018; Yoon et al., 2021).

Riservatezza dei dati

Dalle fasi di sviluppo e collaudo all'implementazione, le soluzioni di IA nell'imaging medico richiedono l'accesso ai dati dei pazienti. Questo aspetto ha sollevato preoccupazioni relative alla riservatezza dei dati, una questione poliedrica e altamente complessa (Murdoch, 2021) ben rappresentata nei percorsi normativi di vari Paesi (COCIR, the European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry, 2020). Le soluzioni suggerite per la questione della riservatezza dei dati spaziano da quelle incentrate sulla supervisione ad approcci più tecnici.

I pazienti che forniscono i dati devono essere consapevoli di quello che stanno facendo ed essere informati sul perché e come verranno utilizzati i loro dati (Lotan et al., 2020), come esplicitamente previsto dal Regolamento generale sulla protezione dei dati (GDPR – Testo giuridico ufficiale, 2016). Data la velocità di sviluppo delle soluzioni di IA, ci si è chiesti se sia possibile tenere sufficientemente informati i pazienti visto il continuo “riaddestramento” di questi algoritmi (Kritikos, 2020). Sebbene i dati completamente anonimizzati non siano soggetti a requisiti così rigorosi ai sensi del GDPR (What Is Personal Data?, 2021), è estremamente difficile anonimizzare i dati ottenuti con l’imaging medico.

La questione della riservatezza dovrà essere affrontata su più fronti. Oltre alle leggi che regolamentano l’uso dei dati dei pazienti, sta diventando sempre più chiaro che tutti coloro che sono coinvolti nello sviluppo e nell’uso delle soluzioni di IA (sviluppatori, pagatori, organismi di regolamentazione, ricercatori e radiologi) hanno un ruolo da svolgere nel garantire la protezione e l’uso responsabile dei dati.

Inoltre, probabilmente nei prossimi anni verranno svolte ulteriori ricerche sugli approcci tecnici per rafforzare la protezione dei dati, ovvero si cercheranno metodi migliori per ridurre le possibilità che dai dati si possa risalire all’identità personale, metodi per tenere archiviati localmente i dati sensibili anche quando l’algoritmo che si sta addestrando è ospitato in una ubicazione “centrale”, la perturbazione dei dati per ridurre al minimo le informazioni che si trovano all’interno di un determinato set di dati relativo a singoli pazienti e la crittografia dei dati (G. Kaissis et al., 2021; G. A. Kaissis et al., 2020).

Democratizzazione

Per far sì che l’IA mantenga tutte le sue promesse nel campo dell’imaging medico, gli algoritmi in fase di sviluppo devono funzionare per tutti. Per questa “democratizzazione” dell’IA occorre che gli operatori sanitari abbiano le conoscenze e le competenze necessarie per utilizzare le soluzioni basate sull’IA. Con poche eccezioni (Paranjape et al., 2019), i programmi di studio degli studenti di medicina attualmente includono raramente, se non mai, formazione in materia di IA (Banerjee et al., 2021; Blease et al., 2022). I sondaggi condotti in tutto il mondo hanno dimostrato che l'esposizione degli studenti di medicina e dei medici (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) all’IA nel corso del loro percorso educativo è bassa nonostante l'elevata domanda di maggiore formazione in tale ambito (Kansal et al., 2022; Ooi et al., 2021; Sit et al., 2020). Inoltre, c’è ancora un grande divario tra i sessi e tra diversi Paesi nella conoscenza percepita dell’IA tra gli studenti di medicina (Bisdas et al., 2021). Le ragioni di queste differenze sono molte, e molte sono le difficoltà associate all’integrazione diffusa dell’istruzione sull’IA nei programmi di formazione medica. Nei prossimi anni si dovrebbero studiare strategie per affrontare questi problemi, al fine di garantire che i futuri operatori sanitari siano dotati delle conoscenze e delle competenze necessarie per lavorare in un ambiente in cui l’IA svolge un ruolo crescente.

Democratizzare implica anche garantire che pazienti di sessi, stili di vita, etnie e ubicazioni geografiche diverse possano trarre vantaggio dalle soluzioni basate sull’IA. Affinché ciò accada, queste soluzioni devono essere accessibili e le loro prestazioni devono essere generalizzabili. Queste ultime richiedono l’acquisizione di dati diversi da più istituti, e preferibilmente da più Paesi, per l’addestramento delle soluzioni basate sull’IA. Occorre inoltre mettere in atto misure di salvaguardia per garantire che le fonti di bias durante l’intero processo di sviluppo non si propaghino all’algoritmo addestrato (Vokinger et al., 2021), una questione che è venuta alla ribalta solo di recente (Larrazabal et al., 2020; Obermeyer et al., 2019; Seyyed-Kalantari et al., 2021).

Rimborso

Via via che in vari Paesi iniziano gradualmente a prendere forma delle politiche di regolamentazione dell’IA nel settore sanitario, un aspetto importante che merita attenzione è chi pagherà queste soluzioni e in base a quali criteri.

Molti considerano la legge tedesca sull’offerta digitale del 2020 un passo nella giusta direzione per il rimborso delle soluzioni sanitarie digitali. Secondo questa legge, le applicazioni digitali prescritte dai medici sono rimborsabili dall’assicurazione sanitaria pubblica quando si dimostra che sono sicure e conformi alle norme in materia di riservatezza dei dati, nonché che migliorano l’assistenza sanitaria del paziente. Il Regno Unito, invece, ha pubblicato una guida per i potenziali acquirenti di soluzioni basate sull’IA che funge da punto di partenza per le aziende che intendono presentare domanda di rimborso (A Buyer’s Guide to AI in Health and Care, 2020).

Finora le storie finite bene in materia di rimborsi nel mondo della sanità digitale sono state poche e rare (Brink-mann-Sass et al., 2020; Hassan, 2021), in parte perché i requisiti variano notevolmente da Paese a Paese (COCIR, the European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry, 2020). In generale, i fornitori di soluzioni sanitarie digitali dovranno fornire prove del valore complessivo apportato da tali soluzioni, anche con studi dettagliati di economia sanitaria che mostrino i potenziali risparmi sui costi.

In virtù della posizione della radiologia come fornitore di servizi per più reparti ospedalieri, l’aspettativa è che le soluzioni basate sull’IA in questo ambito abbiano un impatto di vasta portata (van Duffelen, 2021). Le aziende dovranno mostrare il valore che esse apportano sia a breve termine (ad esempio, in una lettura e refertazione delle immagini più rapida/ migliore) che a lungo termine (ad esempio, diagnosi e trattamento precoci, prevenzione di malattie, riduzione di follow-up non necessari). I prossimi anni vedranno le aziende competere per dimostrare tale impatto, sperimentando allo stesso tempo diversi modelli di prezzo e orientandosi nel panorama burocratico dei rimborsi in evoluzione.

Conclusione

Negli ultimi anni il campo dell’IA nell’imaging medico ha subito una trasformazione rapida ma costante. L’IA oggi può ottenere risultati in radiologia che pochi ritenevano possibili solo dieci anni fa. Il settore sta inoltre gradualmente superando uno degli aspetti maggiormente percepiti come un ostacolo: l’approvazione normativa. Inoltre, se qualche anno fa il futuro dell’IA nella loro specialità era percepito dai radiologi principalmente con timore e scetticismo, oggi non è più così.

Si prevede che gli enormi progressi e l’interesse nel campo dell’IA nell’imaging medico continueranno nel 2022 e oltre. Il settore ha di fronte a sé varie trasformazioni entusiasmanti: probabilmente nei prossimi anni si concentrerà maggiormente sul miglioramento dell’efficienza del flusso di lavoro radiologico, coinvolgerà modalità di imaging finora trascurate, combinerà dati provenienti da più modalità e fornirà previsioni diagnostiche e raccomandazioni per la gestione dei pazienti più concrete. Nei flussi di lavoro radiologici di oggi verranno integrate suite software complete e facili da utilizzare che si avvarranno dell'IA per rendere più semplice ed efficiente il lavoro dei medici radiologi e dei tecnici di radiologia.

Come accade in tutti i campi a crescita rapida, anche l’IA nell’imaging medico ha di fronte svariate sfide scientifiche, normative ed economiche da affrontare, ma gli ultimi anni ci hanno dimostrato che si possono risolvere anche i problemi più difficili. Gli sviluppatori e gli utenti di soluzioni basate sull’IA devono essere consapevoli di queste problematiche, in modo da poter adattare le loro strategie per affrontare le sempre diverse aspettative a livello normativo e sociale. Questo consentirà loro di prosperare in un campo affascinante che ha le potenzialità per migliorare praticamente ogni aspetto dell’assistenza sanitaria.

Bibliografia

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.

Artificial Intelligence in medical imaging: What, How and Why?

Introduction

Artificial intelligence (AI) is a field that enables computer systems to solve problems by adapting to changing circumstances, often by mimicking human reasoning and judgement. Several demographic and healthcare trends are driving the use of AI in medical imaging. The amount of medical imaging data being acquired is steadily increasing (Larson et al., 2011; Smith-Bindman et al., 2008, 2012; Winder et al., 2021). There is also a widespread shortage of healthcare workers (Core Health Indicators in the WHO European Region 2015. Special Focus: Human Resources for Health, 2017) with an ever-increasing workload (Levin et al., 2017), and the number of medical imaging examinations is expected to grow exponentially over the next two decades (Tsao, 2020). Radiologists and radiology technologists are in particularly scarce supply (AAMC Report Reinforces Mounting Physician Shortage, 2021, Clinical Radiology UK Workforce Census 2019 Report, 2019). Finally, the ageing world population (Population Ages 65 and above, n.d.; WHO, n.d.-a) and an increasing global burden of chronic illnesses (WHO, n.d.-b) are expected to compound these problems in the near future.

Broadly speaking, the advantages of AI in medical imaging could potentially include the ability to provide insights that would otherwise not be possible using traditional methods (such as humans looking at images) and to may do so in a faster and automated way (without the need for human interaction). AI-based solutions in medical imaging could improve and accelerate the detection of disease, generate in-depth risk assessment of disease development and progression, and may reduce subjectivity in the interpretation of medical imaging data.

The current state of AI in medical imaging

Over the past few years, the landscape of AI in medical imaging has changed dramatically. Many promising applications have arisen, the field has seen an unprecedented surge in funding, and we have seen positive trends in the adoption of AI solutions by radiologists, as well as their approval by regulatory bodies.

Applications

Although radiology departments provide a plethora of services, the core service provided is the imaging study. Applications of AI in medical imaging can therefore be categorized into those applied either before, during, or after the imaging study.

Before Image Acquisition

Several steps have to take place within the context of a radiology department’s workflow before a patient is undergoing imaging study. AI applications that aim to improve these steps are referred to as “upstream AI” and could potentially increase efficiency and provide more personalized decision making in a radiology department.

Missed medical appointments are common, reduce the efficiency of hospitals, and waste resources (Dantas et al., 2018). Studies from Japan (Kurasawa et al., 2016) and the United Kingdom (Nelson et al., 2019) have shown that AI can be used to predict no-shows with high accuracy. This allows the use of targeted strategies to reduce the likelihood of a patient missing their appointment, including sending automated reminders.

One of the most important decisions made in the radiology department is the exact scan protocol to use on a given patient. While this applies to all imaging modalities, the widest range of choice is seen with magnetic resonance imaging (MRI). This includes choosing the appropriate set of sequences and making decisions about whether or not to administer intravenous contrast agents. Natural language classifiers that interpret the narrative text of the clinician’s scan requests have been used to select appropriate MRI protocols. In one study, a gradient boosting classifier predicted the appropriate MRI brain protocol to use based on the scan request with high accuracy (95 %) (Brown & Marotta, 2018). For musculoskeletal MRI, a deep learning classifier was 83 % accurate in determining the need for a contrast agent (Trivedi et al., 2018). Such applications can substantially improve efficiency by foregoing the time-consuming task of radiologists going through unstructured narrative scan requests written by referring clinicians.

During Image Acquisition

Substantial improvements have recently been made in the use of AI for improving image quality. In a recent survey, radiologists identified the enhancement of image quality as being the most mainstream current use case for AI in medical imaging (Alexander et al., 2020). While earlier attempts at reducing image noise using deep learning techniques were criticized for removing details from the images that jeopardized the visibility of essential features within the images, more recent implementations have made this issue largely obsolete.

In particular, deep learning techniques like generative adversarial networks have shown great potential in image denoising (Wang et al., 2021). Some of these applications target the image reconstruction stage (where the raw sensor data is converted into an interpretable image) providing superior signal-to-noise ratios and reducing image artefacts (Zhu et al., 2018). In lung cancer screening, deep-learning-based image denoising improved both the image quality and the diagnostic accuracy of ultra-low-dose computed tomography (CT) for detecting suspicious lung nodules (Hata et al., 2020; Kerpel et al., 2021). Scans that were 40-60 % acquired faster than standard scans and enhanced with deep-learning-based algorithms were of better image quality than, and similar diagnostic value as, standard scans of the brain (Bash, Wang, et al., 2021; Rudie et al., 2022) and spine (Bash, Johnson, et al., 2021). Similarly, convolutional neural networks can be used to reduce specific CT and MRI artefacts and improve spatial resolution (Hauptmann et al., 2019; K. H. Kim & Park, 2017; Park et al., 2018; Y.Zhang & Yu, 2018).

Reconstruction algorithms based on deep learning have enabled ultra-low-dose computed tomography scans to be acquired while maintaining diagnostic quality. This is of particular benefit in children and pregnant women, where reduction of radiation dose to the absolute minimum is critical. These deep- learning-based CT image reconstruction approaches are associated with lower image noise and better image texture than state-of-the-art alternatives like iterative reconstruction (Higaki et al., 2020; McLeavy et al., 2021; Singh et al., 2020). In positron emission tomography, deep learning can reduce injected tracer dosage by one-third and scan times by up to half while maintaining scan quality (Katsari et al., 2021; Le et al., 2020; Xu et al., 2020).

After Image Acquisition

Radiology technologists and radiologists usually share the task of calling back patients for repeat examinations, but doing so consistently and reliably is exceedingly difficult due to time constraints. Image quality of AI enhanced brain MRI scans has been shown to be equal to or better than conventional scans, even when using acquisition protocols that reduce scan times by 45-60% (Schreiber-Zinaman & Rosenkrantz, 2017).

Prioritizing scan reading on a radiologist’s worklist is often done based on several factors including the type of scan, the referring department, and direct communication with the radiologist about the scan’s urgency. Several approaches have been tested to influence the order in which scans are read to improve efficiency and ensure the most critical scans are seen first. These include assigning different radiologists specific exams based on how quickly they read certain scan types (Wong et al., 2019) and automatically detecting emergent findings on the images and pushing these cases to the “top of the list” (Prevedello et al., 2017; Winkel et al., 2019).

About 70 % of all AI-based solutions in radiology focus on “perception” - a category of functionalities that includes segmentation, feature extraction, as well as detection and classification of pathology (Rezazade Mehrizi et al., 2021). Within this category, the majority of tools extract information from the imaging data with or without quantification as well as draw the user’s attention to potential pathology (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021). Over the past few years, some of the most promising applications in this category have included the detection of brain vessel occlusion, brain haemorrhage, lung nodules, pneumothorax and pleural effusions, fractures, and the characterization of breast lesions.

Funding

The total amount of investment in AI-based medical imaging companies amounted to $ 1.17 billion between 2014 and 2019 (Alexander et al., 2020). In the same period, the number of companies in this space tripled, leading to a drop of almost 30 % in the median investment in each company (Alexander et al., 2020). Between 2019 and 2020, private investment in AI companies increased by 9.3 % (D. Zhang et al., 2021). By 2030, investment in AI-based solutions in medical imaging is expected to exceed $3 billion (Tsao, 2020).

Adoption

There have been positive trends in the adoption of AI tools by radiologists and radiology technologists over the past few years. Between 2015 and 2020, AI use in radiology departments went up by 30 %, according to a survey of 1,861 radiologists conducted by the American College of Radiology (ACR) (Allen et al., 2021).

Despite this promising trend, the adoption of AI tools is widely considered to be disproportionately low relative to the amount of funding, the number of companies, and the perceived promise of these tools. The ACR survey provides some insight into why and offers a starting point for developing strategies to improve AI adoption.

Almost three-quarters of radiologists who were not using AI had no plans to do so in the future because they either were not convinced of its benefits or did not think the associated costs were justified (Allen et al., 2021).

Similar results have been found in other studies, with radiologists citing scepticism in the capabilities of AI tools and the fact that relatively few have regulatory approval as reasons for not adopting them in their practice (Alexander et al., 2020).

Regulatory success

Until August 2019, 60 % of available AI-based radiology solutions had no regulatory approval (Rezazade Mehrizi et al., 2021). As of April 2020, a total of 100 AI solutions had a CE mark, a prerequisite for them to be made commercially available as medical devices in Europe (van Leeuwen et al., 2021). As of the time of writing, more than 150 AI solutions have gained FDA clearance (AI Central, n.d.). Several useful databases of approved or cleared AI-based solutions in medical healthcare are currently available (AI Central, n.d., AI for Radiology, n.d., Medical AI Evaluation, n.d., The Medical Futurist, n.d.)

The future of AI in medical imaging

The past few years have seen exponential growth in the interest in AI in medical imaging, both in terms of the amount of research and the amount of money being invested in the field. This interest runs the gamut of the radiology workflow, but “perception” applications - for the quantification of biomarkers and the detection of disease processes - have dominated so far. In the radiology community, trends have shifted from AI being perceived as an unwelcome intruder to increased adoption, albeit with some scepticism and hesitation regarding its value. The first AI solutions in medical imaging were granted regulatory approval, and we have seen the first indications of how such solutions may be reimbursed.

New directions

With increasing acknowledgement that a large proportion of AI’s potential in medical imaging may lie in “upstream” or “non-interpretative” applications, the field is likely to expand its focus in the coming years. This will include more research into applications that improve the efficiency of radiology workflows and provide more personalized patient care (Alexander et al., 2020). AI is likely to become more involved even earlier in the patient management process - i.e. before the clinician decides that a diagnostic image test is necessary. Such applications, essentially clinical decision support systems, have successfully been used for decision-making about treatments in several settings (Bennett & Hauser, 2013; Komorowski et al., 2018), successfully used in treatment decision making (Bennett & Hauser, 2013). In the future, AI solutions may draw clinicians’ attention to the need for further imaging tests based on reviewing the patient’s clinical information, laboratory tests, and prior imaging tests (Makeeva et al., 2019).

The vast majority (77-84 %) of currently available AI solutions in medical imaging target CT, MRI and plain radiographs (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021). Nuclear imaging techniques, such as positron emission tomography (PET). provide unique information not readily gained from other modalities. PET has thus far been largely neglected in terms of AI research (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021), and is thus a potentially promising avenue for the field’s expansion.

AI research is also expected to undergo a shift in the type of data being used. The typical inpatient receives more than one imaging study during their hospital stay (Shinagare et al., 2014). Despite this, only about 3 % of current AI-based radiology solutions combine data from multiple modalities (Rezazade Mehrizi et al., 2021; van Leeuwen et al., 2021). Combining data from multiple imaging sources may improve the diagnostic capabilities of AI solutions. Furthermore, future AI solutions in radiology are likely to combine imaging information, clinical information, as well as non- imaging diagnostic tests (Huang et al., 2020). By doing this, AI solutions may be able to identify patterns in the data collected during a patient’s hospital stay that may not be readily identifiable by healthcare workers (Rockenbach, 2021). This could ultimately lead to more accurate diagnoses and could help inform better and more personalized treatment decisions.

The expectations for AI-based medical imaging solutions are also likely to shift from the current focus of triage, image enhancement and automation. With increasing algorithmic complexity, data availability, and experience with these tools, this shift may lead to AI solutions reaching specific diagnoses and recommending specific steps in a patient’s management plan. Similar to how the introduction of the first AI tools for image screening and processing around 2018 spurred investment in the field, marketing analyses predict a similar investment boost in the next few years as AI tools providing specific diagnoses and management steps become more widespread (Michoud et al., 2019).

One important criticism of the current, arguably still nascent, landscape of AI in medical imaging is that it is too fragmented. Radiology professionals would likely welcome a more streamlined integration of AI solutions in their daily workflow. This includes seamless integration of these solutions into established radiology workflows, with as much as possible happening “in the background” without user input. Furthermore, the outputs of these solutions could be integrated into available radiological information systems. Consequently, the field could move from the plethora of currently available niche AI solutions, each targeted towards a single very specific application, to broader software suites that perform many different functions for a given imaging modality or body region.

The fragmented investment in the AI in medical imaging market (Alexander et al., 2020) fosters innovation, allowing many players to test out different strategies in this emerging field. However, in the long term, consolidation may increase adoption and stimulate the kind of seamless integration into existing workflows that is needed, allowing fewer companies to offer these solutions at scale (Alexander et al., 2020).

Challenges

Quality and reporting of evidence

In a review of 100 CE-marked AI solutions, 64 % of them had no peer-reviewed scientific evidence for their efficacy (van Leeuwen et al., 2021). Where there was scientific evidence, the level was low, rarely exceeding the demonstration of diagnostic accuracy (van Leeuwen et al., 2021). Another systematic review of the evidence for deep learning algorithms in medical imaging found a generally high diagnostic accuracy, albeit with a high risk of bias across studies (Aggarwal et al., 2021). The main sources of bias include the lack of external validation (D. W. Kim et al., 2019; Liu et al., 2019), insufficiently detailed reporting of results (Liu et al., 2019), retrospective study design (Nagendran et al., 2020), and the inaccessibility of data and code to reviewers and readers (Nagendran et al., 2020).

Overall, studies on AI tools have shown a worrying lack of standardized reporting and adherence to recommended reporting guidelines (Aggarwal et al., 2021; Yusuf et al., 2020). This is despite the fact that several extensions to established reporting guidelines, as well as AI-specific guidelines, are currently available (Shelmerdine et al., 2021). Widespread implementation of these guidelines should be a focus of AI developers in the future.

AI developers should also be cognizant that the currently “acceptable” level of evidence for AI-based solutions is likely to become obsolete in the near future. Both regulators and potential users will likely demand higher levels of evidence for these solutions, akin to the evidence required for new pharmaceutical drugs. In the next few years, will see more of these AI solutions being tested in randomized clinical trials. In the more distant future, it is plausible that such expectations will go beyond providing evidence of the safety, efficacy, or diagnostic performance of these solutions, to the demonstration that they provide added monetary or societal value.

Rising up to the challenge of improving the quality and reporting of evidence for AI-based solutions may pay off in the long run. It could reduce the risk of bias in AI studies, could allow the thorough and transparent assessment of study quality by potential users and regulators, and could facilitate systematic reviews and meta-analyses. These steps may increase the trust in, and uptake of, AI-based solutions and ensure that they offer realistic, sustainable improvements in people’s lives.

Regulation

Several aspects inherent to AI pose challenges to attempts at regulating it like other healthcare interventions. The inner workings of AI solutions are often opaque and difficult to comprehensively describe in a manner traditionally expected by regulatory bodies.

The past few years have shown us that these regulatory challenges are far from intractable. Both the Food and Drug Administration and the European Commission have recently proposed initial regulatory frameworks for AI solutions (Center for Devices & Radiological Health, 2021; European Commission, 2021).

In part as a response to the transparency necessary for regulatory approval, researchers have made substantial progress in making AI’s decision-making more understandable and explainable. This movement towards “interpretable AI” will gain further impetus in the near future as reliance on AI for real-world clinical decision-making increases.

This has many advantages, including making regulatory approval easier, increasing trust in these solutions by users, minimizing biases, and improving the reproducibility of these solutions (Holzinger et al., 2017; Kolyshkina & Simoff, 2021; “Towards Trustable Machine Learning,” 2018; Yoon et al., 2021).

Data privacy

From development and testing to implementation, AI solutions in medical imaging require access to patient data. This has raised concerns about data privacy, which is a multifaceted and highly complex issue (Murdoch, 2021) that is prominently represented in the regulatory pathways of different countries (COCIR, the European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry, 2020). Suggested solutions to the data privacy question have ranged from those focusing on oversight to more technical approaches.

The patients providing the data have to be made aware that they are doing so, as well as be informed about why and how their data will be used (Lotan et al., 2020), as explicitly stipulated in the EU’s General Data Protection Regulation (GDPR) (General Data Protection Regulation (GDPR) – Official Legal Text, 2016). Considering the fast-paced nature of the development of AI solutions, whether patients can be kept sufficiently informed as these algorithms are continuously retrained has been questioned (Kritikos, 2020). While fully anonymized data is not subject to such strict requirements under the GDPR (What Is Personal Data?, 2021), anonymization is exceedingly difficult to achieve for medical imaging data.

The data privacy issue will have to be approached on several fronts. In addition to legislation governing the use of patient data, it is becoming increasingly clear that everyone involved in the development and use of AI solutions - developers, payers, regulatory bodies, researchers and radiologists - has a role to play in ensuring that the data is protected and used responsibly.

Moreover, the next few years will likely see further research into technical approaches to strengthen data protection. These include better ways to reduce the chances of data being traced back to individuals, methods for keeping sensitive data stored locally even when the algorithm being trained is hosted in some “central” location, data perturbation to minimize the information within a given dataset pertaining to individual patients, and data encryption (G. Kaissis et al., 2021; G. A. Kaissis et al., 2020).

Democratization

If AI in medical imaging is to live up to its potential, the algorithms being developed have to work for everyone. This “democratization” of AI involves ensuring that healthcare providers have the knowledge and skills needed to use AI-based solutions. With a few exceptions (Paranjape et al., 2019), medical student curricula currently include little to no dedicated education about AI (Banerjee et al., 2021; Blease et al., 2022). Surveys from around the world have shown that medical students’ and doctors’ (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) exposure to AI during training was low despite the high demand for more AI education (Kansal et al., 2022; Ooi et al., 2021; Sit et al., 2020). In addition, there are still large differences between genders and countries in the perceived knowledge about AI amongst medical students (Bisdas et al., 2021). There are many reasons for these differences and many challenges associated with the widespread integration of AI education into healthcare training curricula. In the coming years, strategies to tackle these issues should be investigated to ensure that future healthcare providers are equipped with the knowledge and skills they need to work in an environment where AI plays a growing role.

Democratization also involves ensuring that patients of different genders, lifestyles, ethnicities, and geographical locations can benefit from AI-based solutions. For this to happen, these solutions have to be accessible and their performance generalizable. The latter requires the acquisition of diverse data from multiple institutions, preferably from multiple countries, for training AI-based solutions. It also requires the implementation of safeguards to ensure that sources of bias throughout the development process are not propagated to the trained algorithm (Vokinger et al., 2021), an issue that has only recently come to the forefront (Larrazabal et al., 2020; Obermeyer et al., 2019; Seyyed-Kalantari et al., 2021).

Reimbursement

As countries’ policies for regulating AI in healthcare gradually begin to take shape, one important aspect that needs attention is who will pay for these AI solutions, and according to what framework.

Many consider Germany’s 2020 Digital Supply Act a step in the right direction for reimbursement of digital health solutions. Under this policy, digital applications prescribed by physicians are reimbursable by statutory health insurance if they are proven to be safe, be compliant with data privacy statutes, and improve patient care. The UK, on the other hand, has released a guide for potential buyers of AI-based solutions, which serves as a starting point for companies to prepare for reimbursement applications (A Buyer’s Guide to AI in Health and Care, 2020).

Thus far, reimbursement success stories in the digital health space have been few and far between (Brink- mann-Sass et al., 2020; Hassan, 2021). This is in part due to requirements varying greatly by country (COCIR, the European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry, 2020). In general, providers of digital health solutions will need to provide evidence for the overall value that these solutions bring, including detailed health economics studies showing potential cost savings.

Radiology’s position as a service provider to multiple hospital departments means that AI-based solutions in this space will be expected to show a far-reaching impact (van Duffelen, 2021). Companies will need to show short-term value (e.g. faster/better image reading and reporting) as well as long-term value (e.g. early diagnosis and treatment, disease prevention, reduction in unnecessary follow-up). The coming years will see companies compete to demonstrate such impact, while at the same time experimenting with different pricing models and navigating the evolving bureaucratic reimbursement landscape.

Conclusion

Over the past few years, the field of AI in medical imaging has undergone a rapid but steady transformation. AI can now achieve things in radiology that few people thought possible a mere decade ago. The field is also gradually overcoming one of its most significant perceived hurdles - regulatory approval. In addition, while fear and scepticism dominated radiologists’ perception of the future of AI in their speciality a few years ago, this is no longer the case.

The massive progress and interest in the field of AI in medical imaging is expected to continue into 2022 and beyond. Several exciting transformations await the field - it will likely expand its focus in the coming years to improve radiology workflow efficiency, involve hitherto neglected imaging modalities, combine data from multiple modalities, and provide more concrete diagnostic predictions and management recommendations. Easy-to-use and comprehensive software suites utilizing AI will be incorporated into existing radiology workflows, making radiologists’ and radiographers’ work easier and more efficient.

As in any rapidly growing field, several scientific, regulatory, and economic challenges face AI in medical imaging. But the past few years have shown us that even the most difficult problems can be solved. Developers and users of AI-based solutions need to be aware of these issues so that they can adapt their strategies to changing expectations on a regulatory and societal level. Doing this will allow them to thrive in a fascinating field with the potential to improve virtually every aspect of healthcare.

References