目前，全球有超过150家独立软件供应商正在开发用于医学影像分析的人工智能解决方案，因此，放射科医生在众多企业中挑选合适的供应商是一大挑战。

以下是放射科医生在与医学影像AI供应商合作之前，应该考虑的10大因素（以及向供应商提出的疑问）：

1. 临床相关性

医院将人工智能应用于其临床工作流程的首要考虑是业务需求的相关性和契合度，人工智能解决方案是否真正解决了科室的需求？

在放射学领域，人工智能有数百个潜在的应用场景，但重点应该聚焦于哪些AI能产生最大影响的领域，如用自动化工具解决放射科医生的重复性任务（例如，手动测量图像特征），并为更复杂的情况提供额外的信息和决策支持。

针对临床相关性，放射科医生应该向AI供应商提出以下问题：

用例（use case）是一个值得用AI解决的问题吗？在放射科医生参与有限的情况下，快速且容易诊断的用例可能无法支持AI。

-使用人工智能对诊断和治疗决策有什么影响？它会改善病人的护理吗？

-放射科医生使用人工智能优先做的事项是什么？该如何确定？

-人工智能解决方案在未来的几年里还会有意义吗？

2. 算法开发

人工智能第三次浪潮的兴起，归因于从经典机器学习到深度学习方法的技术转变。人工智能供应商面临的挑战仍然是减少终端用户（放射科医生）的深度学习模型“黑盒”现象，因此算法开发所用的方法是关键。

放射科医生应该问的问题：

-使用了多少例图像来训练算法？

-这些图像是从人口统计数据和医学成像器械商那里获得的吗?

-谁给图片做了标注?有经验的放射科医生还是其他人？

-通常有多少放射科医生为每张标注做标注？如果有两名放射科医生对图像进行了标注，那么开发人员是否使用了第三名放射科医生来处理其中的差异？

-是否使用临床生物标记或活检来验证带标注的图像?

-用于训练和验证算法的图像数据集与用于测试算法的图像数据集是否不同？

3.临床验证

一旦开发出来，人工智能算法应该进行理想的临床研究，以测试其模型鲁棒性、准确性和复现性

放射科医生应该问的问题：

-什么类型的临床研究用于验证？前瞻性研究同时使用病例和非病例资料，其重要性大于回顾性研究。

-临床研究是否涉及单个或多个读者?

-是单中心临床研究还是多中心临床研究?与现有的临床实践相比，人工智能算法的性能如何?AI解决方案应该等于或优于当前的实践标准。

4. 产品的监管

只有获得监管许可的解决方案才能用于临床实践。目前，已有57家供应商获得了美国FDA、CE Mark（欧洲）、PMDA（日本）和MFDS（韩国）四大监管机构之一对77种医学影像机器学习算法的监管批准。

放射科医生应该问的问题：

-供应商是否有美国FDA的监管批准？如果是，它收到了什么类型的许可（即，是510（K）PMA还是de Novo ）?