放射科医生,AI系统显示乳腺癌筛查的差异,新案例研究发现
![In these three examples of soft tissue lesions, the images are unperturbed on the left column and blurred on the right column. The AI system was sensitive to the blurring, while the radiologists were not. This showed that the AI system relies on details in soft tissue lesions that are considered irrelevant by the radiologists. Credit: Taro Makino, NYU’s Center for Data Science 放射科医生,AI系统显示乳腺癌筛查的差异,新案例研究发现](https://scx1.b-cdn.net/csz/news/800a/2022/radiologists-ai-system.jpg)
一群研究人员发现,放射科医生和人工智能系统在乳腺癌的筛查中产生了显着差异。它的工作,出现在日记中科学报告,揭示使用人类和AI方法进行医学诊断的潜在价值。
纽约大学数据科学中心和该论文的主要作者的博士候选人塔罗·马基诺(Taro Makino)解释说:“虽然AI可能在医疗保健方面提供益处,但其决策仍然知之甚少。”“我们的发现迈出了重要的一步,以更好地理解AI如何产生医疗评估,并为增强癌症检测提供了前进的方向。”
该分析以特定的AI工具为中心:深神经网络(DNNS),它们是计算机上实现的计算元素(“神经元”)的层。可以通过构建许多层并根据数据输入(称为称为“称为”的过程”进行计算的方式来训练此类神经元网络“学习”。深度学习。”
在里面科学报告作品,科学家将放射科医生阅读的乳腺癌筛查与DNN分析的乳腺癌筛查进行了比较。
研究人员还包括Krzysztof Geras博士,医学博士Laura Heacock和医学博士Linda Moy,Nyu Grossman医学院放射学系的教职员工发现,DNNS和放射学家在诊断一类的诊断方面存在很大分歧恶性乳腺癌称为软组织病变。
Geras解释说:“在这些乳腺癌的筛查中,AI系统考虑了放射科医生无关的乳房X线照片中的细节。”“在我们信任AI系统以帮助做出关键生命的医疗决策之前,必须理解和纠正阅读中的这种差异。”
更具体地说,尽管放射科医生主要依赖亮度和形状,但DNN使用了散布在图像上的微小细节。这些细节还集中在认为最重要的地区之外放射科医生。
通过揭示人类和机器在医学诊断中的感知之间的差异,研究人员采取了缩小学术研究与临床实践。
“建立对DNNS的信任医学诊断莫伊说:“在理解他们的看法与人类的看法是否与人类不同。有了更多的见解,我们俩都可以更好地识别出DNN的局限性并预期他们的失败。”
Makino补充说:“将AI系统转移到临床工作流程中的主要瓶颈是了解他们的决策并使它们更加健壮。”“我们认为我们的研究可以通过照明当前的局限性来提高AI能力进行与健康相关的评估的精确度。”
进一步探索