连续依赖感知跨自然主义的生成对抗网络生成的乳房镜
Zhihang Ren1, Teresa Canas-Bajo1, Cristina Ghirardo2
1University of California, Berkeley, Vision Science Graduate Group, Berkeley, California, United States.
Journal of medical imaging (Bellingham, Wash.)
|July 6, 2023
概括
序列依赖,对以前见过的图像的偏见,影响了乳房图像的感知. 这项研究使用了现实的,人工智能生成的乳房造影,以显示这种偏见可以导致临床任务中约7%的分类错误.
科学领域:
- 认知心理学 认知心理学
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 人类的感知容易产生偏见,特别是连续依赖,最近的刺激会影响当前的判断.
- 之前关于串行依赖的研究使用了不现实的刺激,限制了它们对现实世界的临床场景的适用性.
- 序列依赖对临床医生对医学图像 (如乳房影像) 的解释的潜在影响仍然是积极调查的领域.
研究的目的:
- 调查现实性乳房图的认知中的序列依赖的存在和特征.
- 利用先进的人工智能,特别是生成对抗网络 (GANs),以创建受控和自然的乳房镜刺激.
- 评估序列依赖是否会影响模拟乳房镜感知任务中的诊断准确性.
主要方法:
- 一个生成对抗网络 (GAN) 被训练使用来自查乳房图谱 (DDSM) 数字数据库的乳房图像.
- 经过训练的GAN在20个形态连续体中产生了2940个现实的,模拟的乳房影像.
- 参与者进行了一项标准的串行依赖实验,查看GAN生成的乳房影像并报告他们的感知.
主要成果:
- 在所有自然主义GAN产生的乳房图形形态连续体中,一致观察到序列依赖.
- 乳房影像的感知判断被之前观看的GAN产生的乳房影像显著偏差.
- 平均而言,大约7%的感知决策表现出由这种串行依赖偏差影响的分类错误.
结论:
- 序列依赖显然影响了对现实,人工智能生成的乳房造影的看法.
- 这些发现表明,序列依赖是医学图像解释决策错误的潜在因素.
- 这项研究强调了在开发人工智能辅助诊断工具和临床工作流程时考虑认知偏见的重要性.
