跳转至

第 55 章 AI 如何重塑心胸影像领域：全球视角（How Artificial Intelligence will Reshape the Field of Cardiothoracic Imaging: A Global Perspective）

作者

  • Carlo N. De Cecco, MD, PhD（通讯作者）—— Division of Cardiothoracic Imaging, Department of Radiology and Imaging Sciences, Emory University, Atlanta, GA, USA。
  • Jie Zhang, PhD（通讯作者）—— Department of Radiology, Fuwai Hospital, State Key Laboratory of Cardiovascular Disease, National Centre for Cardiovascular Diseases, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China。
  • Marly van Assen, MSc, PhD —— Division of Cardiothoracic Imaging, Department of Radiology and Imaging Sciences, Emory University, Atlanta, GA, USA。
  • Jack Wessell, BS —— College of Arts and Sciences, Emory University, Atlanta, GA, USA。
  • Tim Leiner, MD, PhD —— Department of Radiology, Mayo Clinic, Rochester, MN, USA。
  • Bin Lu, MD —— Department of Radiology, Fuwai Hospital, State Key Laboratory of Cardiovascular Disease, National Centre for Cardiovascular Diseases, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China。

本章是本书的末章总结（第 55 章），位于 Part V 通用考虑部分，承接第 54 章（网络安全）后，提供全球视角下的心胸影像 AI 未来展望。De Cecco（Emory 主编）+ Zhang / Lu（阜外医院，中国）+ van Assen（Emory）+ Wessell（Emory 艺术与科学学院）+ Leiner（Mayo Clinic）——6 人国际团队，跨美国 + 中国 + 欧洲，体现"全球视野" 主题。

内容概述

本章从全球视野 阐述心胸影像 AI 的未来：

  1. 全球 AI 经济对比（中国、欧盟、美国）：
  2. 6 个维度（人才、研究、开发、应用、数据、硬件）
  3. 美国领先、中国第二、欧盟滞后
  4. 中国 AI 发展：
  5. 标准化数据系统
  6. 标注 / 沟通 / 共享平台
  7. AI 应用的深度与广度
  8. 中国 7 个 NMPA Level 3 认证 AI 医疗器械（3 个心胸相关）
  9. 欧盟 AI 政策：
  10. GDPR 数据保护
  11. 网络安全指令
  12. 2020 欧盟委员会白皮书
  13. AIDA 委员会 2021 工作文件
  14. 2021 欧盟 AI 法规提案
  15. 美国 AI 政策：
  16. HIPAA 患者隐私
  17. FDA 监管
  18. 510(k) / De Novo / PMA 路径
  19. 公共数据集
  20. 未来展望：
  21. 标准化数据格式
  22. 监管框架
  23. 数据保护
  24. 资金机制
  25. 教育

核心概念

1. 全球 AI 经济三强对比（Center for Data Innovation 2019）

维度 美国 中国 欧盟
人才 强 弱 领先
研究 领先 第二 强
开发 领先 第二 弱
应用 强 领先 弱
数据 强 领先 中
硬件 强 领先 弱

2. 中国 AI 医疗器械（2019 NMPA Level 3 认证）

7 个获批 AI 医疗器械中，3 个心胸相关： - DeepVessel（深圳科亚科技）—— 基于 CT 影像的 CT-FFR 计算，用于心肌缺血诊断 - Shukun（舒克，北京）—— 冠脉狭窄辅助分诊软件 - Infervision（推想，北京）—— 肺结节 CT 影像辅助检测软件

60+ AI 医疗器械在"绿色通道" 审批中，半数为冠脉相关产品。

3. 关键概念辨析

  • GDPR（General Data Protection Regulation）：
  • 2016 通过，2018 全面生效
  • 包含"知情同意" + "数据可携带权" + "删除权" + "72 小时报告" + "解释权"（Article 22）
  • 影响 AI 开发（数据收集需 opt-in）
  • FDA 监管路径：
  • 510(k)：与已上市产品"实质等同"——85.9% AI/ML 设备走此路径
  • De Novo：低-中风险，无已有同类产品——12.5% AI/ML 设备
  • PMA（Premarket Approval）：高风险——1.6% AI/ML 设备
  • HIPAA 局限：仅适用于"covered entities"（医院、保险公司、药房）——商业公司不受 HIPAA 约束
  • "美国残疾人法案"（ADA） vs. "未来医疗风险预测"：ADA 禁止基于"已存在" 残疾歧视，但不禁止基于"未来" 医疗风险歧视——监管空白
  • "AI 商业化" vs. "AI 持续维护"：AI 部署后需"持续更新" + "持续监控"——传统医疗器械"一次性审批" 框架不足
  • "数据多样性" vs. "数据代表性"：多中心数据是 AI 训练的关键——但中国 / 美国 / 欧洲的"数据多样性" 表现不同
  • "GDPR 解释权" 与"AI 黑箱" 张力：GDPR Article 22 要求"算法决策可解释"——与 DL 黑箱冲突
  • "FDA 510(k)" 的"创新抑制" 担忧：510(k) 路径要求"实质等同"——可能抑制创新
  • "国际合作" vs. "数据本地化"：医疗数据跨境流动受 GDPR / HIPAA / 中国《数据安全法》限制
  • "中国数据优势"：中国人口基数大 + 医疗数据集中——AI 训练数据"丰富"
  • "欧盟监管严格" 优势：GDPR + 网络安全指令 + AIDA + AI 法规——监管框架完善
  • "美国市场驱动" 优势：FDA 510(k) 路径快 + 风险投资活跃——商业化快
  • "教育" 是 AI 实施的"基石"：医生 + 患者 + IT + 政府 都需要 AI 教育
  • "医师-患者关系" 与"AI" 的张力：AI 介入诊断可能改变医师-患者信任关系
  • "国际医疗设备监管论坛（IMDRF）"：澳大利亚、巴西、加拿大、中国、欧洲、日本、俄罗斯、新加坡、韩国、美国——统一医疗器械标准

关键结论

  • AI 在医疗的应用是"全球性" + "指数级" 增长——KPMG 报告 2017 医疗 AI 投资 13 亿美元（103 笔），预计 2025 达 360 亿美元。
  • 美国 / 中国 / 欧盟在 AI 经济中各有优势——美国领先 AI 综合实力，中国领先数据 + 应用，欧盟领先人才。
  • 医疗 AI 论文 1977-2018 共 27,451 篇，84.6% 在 2008-2018 发表——AI 医疗研究在 2010 后爆发。
  • 67.5% 论文为单一国家作者——国际合作度低。
  • 美国 + 加拿大 + 欧洲（意大利 / 德国）+ 中国是 AI 医疗研究前五大来源国。
  • 44% WHO 成员国医生 / 人口比 < 1:1000——AI 缓解"医疗资源不足" 的需求迫切。
  • 中国医生 / 人口比 1.8:1000，美国 2.5:1000，澳大利亚 3.4:1000。
  • 中国 AI 医疗器械 2019 已有 7 个获 NMPA Level 3 认证，3 个心胸相关（DeepVessel、Shukun、Infervision）。
  • 60+ AI 医疗器械在中国"绿色通道" 审批，半数为冠脉相关。
  • 中国 AI 优势：人口规模大 + 数据集中 + 标准化质量控制。
  • 中国 AI 挑战：标注平台落后 + 解释性不足 + 多中心数据缺乏。
  • 欧盟 GDPR + 网络安全指令 + AIDA 委员会 + 2021 AI 法规——监管框架全球最严。
  • GDPR Article 22 解释权要求打开"黑箱"——影响 DL 模型应用。
  • 欧盟 AI 人才领先（吸收全球 AI 学者）但商业化落后。
  • 美国 FDA 批准 64 个 AI/ML 设备（2020 统计），放射学 72.4%、心脏病学 13.8%。
  • 美国 85.9% AI 设备走 510(k)，12.5% De Novo，1.6% PMA——监管路径偏"快速通道"。
  • 美国数据共享：UK Biobank + Kaggle + NIH + RSNA + COVID-19 期间开放数据。
  • 美国 Kim 等 2019 综述：仅 6% AI 研究使用外部验证——泛化性证据不足。
  • 医疗 AI 论文 84.6% 在 2008-2018 发表——AI 医疗研究在 2010 后爆发。
  • AI 临床落地需"动态法律 + 伦理框架"——单次审批不足以应对持续学习。
  • 标准化数据格式（DICOM / PACS）是 AI 集成的"工程基础"。
  • 资金机制需"持续维护" 而非"一次性审批"——传统医疗器械支付框架不足。
  • 教育是 AI 实施的"基石"——医生 + 患者 + IT + 政府 都需要 AI 教育。

挑战和开放性问题

  • "全球 AI 竞争" 的"地缘政治"：中美 AI 竞争 + 欧洲"第三条道路"——影响国际合作。
  • "数据本地化" 与"国际合作" 张力：GDPR / HIPAA / 中国《数据安全法》——跨境数据流动受限。
  • "AI 解释权" vs. "AI 黑箱" 张力：GDPR 解释权与 DL 黑箱冲突——技术 + 监管难题。
  • "FDA 510(k)" 创新抑制：85.9% 走 510(k) 路径——"实质等同" 要求可能抑制创新。
  • "AI 持续学习" vs. "一次性审批" 不匹配：AI 模型持续学习——传统审批框架不足。
  • "商业化" vs. "持续维护" 张力：AI 部署后需"持续更新 + 持续监控"——支付框架不足。
  • "AI 工具的'持续评估' 成本"：AI 模型更新后需重新验证——成本高、周期长。
  • "国际 AI 公司" 的"地缘政治" 风险：中美科技竞争 + 欧洲 GDPR 严格——AI 公司面临"区域化" 挑战。
  • "AI 工具的'算法歧视' 风险"：训练数据偏差导致 AI 输出偏差（Ch 52 详述）——可能违反反歧视法。
  • "AI 工具的'责任归属'" 难题：AI 误诊时责任分配不清（Ch 49 详述）。
  • "AI 工具的'持续使用' 成本"：AI 工具在"持续使用" 中需"持续评估 + 持续报告"——成本高。
  • "全球 AI 公平性" 的挑战：不同国家 / 地区 AI 偏倚表现不同（Ch 52 详述）——需"分层" 评估。
  • "AI 商业化" vs. "临床价值" 张力：商业化追求利润，临床价值追求患者利益——张力是核心矛盾。
  • "医生-患者关系" 与"AI" 的张力：AI 介入诊断可能改变医师-患者信任关系。
  • "AI 教育" 的"系统缺失"：医学院 + 住院医师培训 + 继续教育均缺乏 AI 课程。

个人反思与批判性分析

  • 作者团队的"国际 + 跨学科" 组合：De Cecco（Emory 主编）+ Zhang / Lu（阜外医院，中国心血管病中心）+ van Assen（Emory）+ Wessell（Emory 文理学院）+ Leiner（Mayo）——6 人团队跨美国 + 中国 + 欧洲，体现"全球视野" 主题。
  • "全球 AI 经济" 的"三足鼎立"：美国（综合实力）+ 中国（数据 + 应用）+ 欧盟（人才 + 监管）——这种"三足鼎立" 反映 AI 的"地缘政治" 复杂性。
  • "中国数据优势" 的"双刃剑"：中国人口基数大 + 医疗数据集中是 AI 训练的"金矿"，但"数据本地化"（中国《数据安全法》2021）可能限制国际合作。
  • "欧盟监管严格" 的"双刃剑"：GDPR + AIDA + 2021 AI 法规——监管框架完善但商业化"慢"于美国 / 中国。欧盟 AI 人才"净流出"（流向美国）是关键挑战。
  • "美国市场驱动" 的"双刃剑"：FDA 510(k) 路径 + 风险投资活跃——商业化快但"创新抑制"（"实质等同" 要求）+ "算法黑箱" 担忧。
  • "国际合作度低" 的"全球挑战"：67.5% 论文为单一国家作者——医疗 AI 的"全球性" 弱于"区域性"。这种"区域分割" 阻碍 AI 模型的"全球泛化"。
  • "中国 NMPA Level 3" 的"路径选择"：中国选择"第三方认证" 而非美国 FDA 510(k) 路径——这种"中国特色" 监管路径是医疗 AI 全球化的"区域挑战"。
  • "GDPR 解释权" 的"AI 落地挑战"：GDPR Article 22 要求"算法决策可解释"——与 DL 黑箱冲突。Saliency maps / heat-maps 是"妥协方案"，但仍不完美。
  • "FDA 510(k)" 的"创新抑制" 担忧：85.9% 走 510(k) 路径——"实质等同" 要求可能抑制真正创新。这种担忧在美国学术界持续讨论。
  • "AI 持续学习" vs. "一次性审批" 不匹配：FDA / NMPA / CE 都假设"产品固定"，但 AI 模型持续学习——这种"动态产品" 与"静态监管" 的不匹配是全球性挑战。
  • "美国 Kim 等 2019 综述" 的"外部验证缺失"：仅 6% AI 研究使用外部验证——这种"系统缺失" 反映 AI 医疗研究的"严谨性" 不足。
  • "DICOM / PACS" 的"标准化" 价值：DICOM / PACS 是医疗影像标准化的"成功案例"——AI 集成需"早期标准化" 以避免"碎片化"。
  • "教育" 是 AI 实施的"基石"：医生 + 患者 + IT + 政府 都需要 AI 教育——医学院 + 住院医师培训 + 继续教育均缺乏 AI 课程。
  • "全球医疗 AI" 的"不均衡" 发展：美国 / 中国 / 欧盟 / 其他地区发展不均衡——全球医疗 AI 的"公平性" 是关键挑战。
  • "中国 AI 临床应用" 的"快速进展"：中国 7 个 NMPA Level 3 认证 AI 医疗器械（3 个心胸相关）+ 60+ 在"绿色通道"——中国 AI 临床应用速度全球领先。
  • "美国 AI 商业化" 的"市场驱动"：美国 64 个 FDA AI/ML 设备（2020）——放射学 72.4%、心脏病学 13.8%——商业化速度全球领先。
  • "欧盟 AI 法规" 的"全球影响"：2021 欧盟 AI 法规提案可能成为"全球标准"——类似 GDPR 的"布鲁塞尔效应"。
  • "持续维护" 资金的"全球缺失"：AI 部署后需"持续更新 + 持续监控"——传统医疗器械支付框架不足以支持。这是全球性挑战。
  • "AI 工具的'持续评估' 框架" 缺失：FDA / NMPA / CE 都假设"产品固定"——"持续评估" 框架需全球合作。
  • 与全书的协同：本章是全书的"总结章节"，呼应了 Part I-V 所有主题（技术基础 → 心脏应用 → 胸部应用 → 通用考虑）。读者通过本章可获得"全球 AI 心胸影像" 的"鸟瞰图"。

重要参考文献

  • [1] Castro D, McLaughlin M, Chivot E. Who is winning the AI race? Center for Data Innovation. 2019.
  • [2] Lavender J. Investment in AI for healthcare soars. KPMG. 2018.
  • [3] Bresnick J. Artificial intelligence in healthcare spending to hit $36B. Health IT Analytics. 2018.
  • [4] Mayo RC, Chang Sen LQ, Leung JWT. Financing artificial intelligence in medical imaging: show me the money. J Am Coll Radiol. 2020;17(1):175-7.
  • [5] Tran B, Vu G, Ha G, et al. Global evolution of research in artificial intelligence in health and medicine: a bibliometric study. J Clin Med. 2019;8(3):360.
  • [6] Jin Y, Zhu W, Yuan B, Meng Q. Impact of health workforce availability on health care seeking behavior of patients with diabetes mellitus in China. Int J Equity Health. 2017;16(1):1-10.
  • [10] WHO, The World Bank. Tracking Universal Health Coverage: 2017 Global Monitoring Report. 2017.
  • [11] West E, Mutasa S, Zhu Z, Ha R. Global trend in artificial intelligence-based publications in radiology from 2000 to 2018. Am J Roentgenol. 2019.
  • [12] Thrall JH, Li X, Li Q, et al. Artificial intelligence and machine learning in radiology: opportunities, challenges, pitfalls, and criteria for success. J Am Coll Radiol. 2018;15(3):504-8.
  • [14] Auffermann WF, Gozansky EK, Tridandapani S. Artificial intelligence in cardiothoracic radiology. Am J Roentgenol. 2019;212(5):997-1001.
  • [16] Jin C, Chen W, Cao Y, et al. Development and evaluation of an artificial intelligence system for COVID-19 diagnosis. Nat Commun. 2020.
  • [20] European Parliament. Regulation (EU) 2016/679 (General Data Protection Regulation). Off J Eur Union. 2016;OJ L 119/1:1-88.
  • [21] Schneeberger D, Stöger K, Holzinger A. The European legal framework for medical AI. In: Machine Learning and Knowledge Extraction. Springer. 2020:209-26.
  • [22] Pesapane F, Volonté C, Codari M, Sardanelli F. Artificial intelligence as a medical device in radiology: ethical and regulatory issues in Europe and the United States. Insights Imaging. 2018;9(5):745-53.
  • [24] Cohen IG, Evgeniou T, Gerke S, Minssen T. The European artificial intelligence strategy: implications and challenges for digital health. Lancet Digit Health. 2020;2(7):e376-9.
  • [25] European Commission. White Paper on Artificial Intelligence. 2020.
  • [26] van Assen M, Lee SJ, De Cecco CN. Artificial intelligence from A to Z: from neural network to legal framework. Eur J Radiol. 2020.
  • [27] Special Committee on Artificial Intelligence in a Digital Age. AIDA Working Paper on Artificial Intelligence and Health. 2021.
  • [28] European Commission. Regulation of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). 2021.
  • [29] Accenture. Artificial Intelligence: Healthcare's New Nervous System. 2017.
  • [30] Saad L. More Americans delaying medical treatment due to cost. Gallup. 2019.
  • [33] Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med. 2020;3(1):1-8.
  • [34] van Rosendael AR, Maliakal G, Kolli KK, et al. Maximization of the usage of coronary CTA derived plaque information using a machine learning based algorithm to improve risk stratification. J Cardiovasc Comput Tomogr. 2018.
  • [35] Motwani M, Dey D, Berman DS, et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease. Eur Heart J. 2017.
  • [36] Kim DW, Jang HY, Kim KW, et al. Design characteristics of studies reporting the performance of artificial intelligence algorithms for diagnostic analysis of medical images. Korean J Radiol. 2019;20(3):405-10.
  • [37] He J, Baxter SL, Xu J, et al. The practical implementation of artificial intelligence technologies in medicine. Nat Med. 2019;25(January).
  • [38] Park SH, Han K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction. Radiology. 2018;286(3):800-9.
  • [39] England JR, Cheng PM. Artificial intelligence for medical image analysis: a guide for authors and reviewers. Am J Roentgenol. 2019.
  • [40] Martin SS, van Assen M, Rapaka S, et al. Evaluation of a deep learning–based automated CT coronary artery calcium scoring algorithm. JACC Cardiovasc Imaging. 2019;13(2 Pt 1).
  • [42] Kruse CS, Goswamy R, Raval Y, Marawi S. Challenges and opportunities of big data in health care: a systematic review. JMIR Med Inform. 2016.
  • [43] Tang A, Tam R, Cadrin-Chênevert A, et al. Canadian Association of Radiologists White Paper on Artificial Intelligence in Radiology. Can Assoc Radiol J. 2018.
  • [44] Char DS, Shah NH, Magnus D. Implementing machine learning in health care — addressing ethical challenges. N Engl J Med. 2018.
  • [45] van Assen M, Cornelissen LJ. Artificial intelligence: from scientific curiosity to clinical precocity? JACC Cardiovasc Imaging. 2020;13(5):1172-4.