预测可变性以识别减少AI性能在MRI和CT癌症诊断中的CT诊断
Natália Alves1, Joeran S Bosma1, Kiran V Venkadesh1
1From the Department of Medical Imaging, Radboudumc, Route 767, Room 2.30, Geert Grooteplein Zuid 10, 6525 GA, Nijmegen, the Netherlands (N.A., J.S.B., K.V.V., C.J., M.d.R., J.H., H.H.); Department of Medicine, Section of Pulmonary Medicine, Herlev-Gentofte Hospital, Herlev, Denmark (Z.S.); and Department of Clinical Medicine, University of Copenhagen, Copenhagen, Denmark (Z.S.).
使用AI预测可变性的不确定性量化 (UQ) 可靠地识别了AI性能下降的癌症诊断病例. 这一指标增强了人工智能诊断工具的安全临床整合.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 将人工智能 (AI) 整合到癌症诊断中需要方法来识别AI失败的高风险病例.
- 确保患者安全需要人工智能诊断算法的先验风险分层.
研究的目的:
- 评估AI预测变性作为一个不确定性量化 (UQ) 度量.
- 通过MRI和CT模式识别癌症诊断中AI失败风险的病例.
- 评估不同癌症类型,数据集和AI算法中的UQ性能.
主要方法:
- 对胰腺癌,前列腺癌和肺结节癌的多中心数据集的回顾性分析.
- 扩展人工智能算法,以基于整体预测可变性的不确定性得分.
- 在某些和不确定的患者群体之间,使用顺序测试,比较AI准确度和接受器操作特征曲线 (pAUC) 下的部分面积.
主要成果:
- 在所有任务中,AI诊断准确性在"特定"组显著更高 (P < .001).
- 在80%的确定性值下",确定"组的准确性比"不确定"组高21% - 29%.
- "确定"组的人工智能表现与肺结节恶性瘤预测的临床医生相当,但在"不确定"组的人工智能表现较差.
结论:
- 人工智能预测UQ指标始终确定了癌症诊断中的人工智能性能下降.
- 这种UQ指标可以帮助更安全的临床整合AI诊断工具.
- 识别AI失败风险对于可靠的AI辅助癌症诊断至关重要.
更多相关视频
08:08Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Magnetic Resonance Imaging
Receiver Operating Characteristic Plot
