0项
在这三个软组织病变的例子中，左列图像是正常的，右列图像是模糊的。人工智能系统对模糊很敏感，而放射科医生则不然。这表明人工智能系统依赖于软组织病变的细节，而这些细节被放射科医生认为是不相关的。图片由纽约大学数据科学中心牧野太郎提供
2022年4月29日-放射科医生和人工智能系统产生的显著差异乳腺癌筛查一组研究人员发现。它的工作这篇文章发表在杂志上自然科学报告，揭示了同时使用人类和人工智能方法进行医疗诊断的潜在价值。
“虽然人工智能可能会在医疗保健方面带来好处，但人们对其决策仍然知之甚少，”纽约大学数据科学中心的博士候选人、该论文的主要作者牧野太郎解释说。“我们的发现为更好地理解这一问题迈出了重要的一步如何人工智能可以进行医疗评估，并为加强癌症检测提供了一条前进的道路。”
分析集中在一个特定的AI工具上:深度神经网络(DNNs)，它是计算机模拟的计算元素层——“神经元”。这样的神经元网络可以通过构建许多层并配置如何根据数据输入执行计算来进行“学习”，这一过程被称为“深度学习”。
在自然科学报告在这项研究中，科学家们比较了放射科医生读取的乳腺癌筛查结果和dnn分析的结果。
研究人员还包括Krzysztof基拉博士,医学博士Laura Heacock,Moy琳达纽约大学格罗斯曼医学院放射科的教授发现，dnn和放射科医生在诊断一类被称为软组织病变的恶性乳腺癌方面存在显著分歧。
“在这些乳腺癌筛查中，人工智能系统会考虑乳房x线照片中被放射科医生视为无关紧要的微小细节，”Geras解释道。“在我们可以信任人工智能系统帮助做出至关重要的医疗决策之前，必须理解和纠正这种读数上的差异。”
更具体地说，当放射科医生主要依赖亮度和形状时，dnn使用分散在图像上的微小细节。这些细节也集中在放射科医生认为最重要的区域之外。
通过揭示人类和机器在医学诊断中的感知差异，研究人员开始缩小学术研究和临床实践之间的差距。
Moy说:“在医学诊断中建立对dnn的信任，重点是了解它们的感知是否以及如何与人类不同。”“随着对它们如何发挥作用的更多了解，我们可以更好地认识到dnn的局限性，并预测它们的失败。”
牧野补充说:“将人工智能系统引入临床工作流程的主要瓶颈是理解它们的决策并使它们更加健壮。”“我们认为，我们的研究通过阐明并解决人工智能目前的局限性，提高了人工智能进行健康评估的能力的准确性。”
欲了解更多信息:www.nyu.edu
2022年9月16日
