您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
GoogleAI帮助医生做出判断
2023年08月04日 由 samoyed 发表
374
0
在共同努力下，Google DeepMind和Google Research发表了一篇论文，承诺提供更安全的医学成像解释，将误报率降低25%。
AI已经改变了许多行业的面貌，AI的应用进展缓慢。AI在该行业的应用面临着一些挑战，例如数据隐私、安全性、缺乏互操作性以及缺乏监管，这些因素限制了其应用。
AI模型容易出错，正如我们所知，人类也会犯错。Google研究院提出了一个问题，当把预测性AI模型和临床医生的专业知识结合起来时，错误率会是多少？
今年7月，Google DeepMind与Google Research携手推出了Complimentary-driven-Deferral-to-Clinical-Workflow（CoDoC），该系统将人类专业知识与预测性AI相结合，以最大限度地提高准确性。该系统可以判断AI模型是否比临床医生的诊断更准确。
对使用多个真实世界数据集进行的CoDoC综合测试显示，结合人类专业知识和预测性AI的结果可提供更高的准确性。他们发现，在乳腺X线摄影数据集中，假阳性率降低了25%，更重要的是，没有漏掉任何真阳性病例。
这篇发表的论文是AI和临床医生之间合作的重大进步。它有望提高诊断具有二元结果的疾病的准确性。他们的数据集侧重于使用X射线乳房X光检查进行乳腺癌筛查和使用胸部X射线进行结核病检测的分诊。
避开医学中的AI障碍
在医疗环境中使用AI工具时，知道何时说“我不知道”至关重要。该论文解决了何时承认不确定性，然后将权力交给临床医生的关键挑战。参与这项研究的英国Google健康公司的Alan Karthikesalingam说：“如果将CoDoC与AI工具和放射科医生的判断结合起来使用，然后CoDoC帮助决定使用哪种意见，那么结果的准确性就会比单独使用人或AI工具更好。”
CoDoC模型也不需要患者的医学图像来做出诊断。这照顾了患者的隐私。在训练数据集时，每种情况只需要三个输入。首先是医院自己现有的预测AI可信度评分的输出（0表示确定不存在疾病，1表示确定存在疾病）。第二是非AI专家临床工作流程的输出，最后是历史“真实”数据。
该系统可以与任何专有的AI模型兼容，并不需要访问模型的内部工作或训练数据。为了将CoDoC范式应用于现有的预测性AI系统，研究人员将按照论文中描述的方法进行操作，即使用其自己现有的预测性AI系统的输出来训练一个类似CoDoC的模型。
预测性模型的工作原理
它通过将预测性AI模型的准确性与医生解释的准确性进行比较来学习，然后检查准确性如何随预测性AI模型的可信度分数而变化。
在经过训练后，CoDoC被放置在一个假设的临床工作流程中，与预测性AI和医生一起工作。当预测性AI模型评估新的患者图像时，其关联的可信度得分被输入到CoDoC中。
通过将AI作为确认诊断的有效工具，即使在极端情况下，医生也可以对自己的诊断充满信心，这是以前无法做到的。
“CoDoC的优势在于它可以与各种专有的AI系统互操作，”Google DeepMind的Krishnamurthy Dvijotham说。
邀请开发人员进行测试、验证和构建
为了帮助研究人员在他们的工作基础上，保持透明，并确保在现实世界中使用更安全的AI模型，他们在Github上开源了CodoC的代码。
到目前为止，这项工作还只是理论上的，但研究人员表示，它显示了AI系统在不同人口、临床环境、使用的医疗成像设备和疾病类型上适应和提高医学成像性能的潜力。
文章来源：https://analyticsindiamag.com/google-ai-helps-doctors-decide-when-to-trust-ai-diagnoses/
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消