对人工智能模型注释的收集和评估进行可重复报告
Katherine Elfer1, Emma Gardecki2, Victor Garcia2
1United States Food and Drug Administration, Center for Devices and Radiological Health, Office of Science and Engineering Laboratories, Division of Imaging Diagnostics and Software Reliability, Silver Spring, Maryland; National Institutes of Health, National Cancer Institute, Division of Cancer Prevention, Cancer Prevention Fellowship Program, Bethesda, Maryland.
概括
一个新的框架,CLEARR-AI,确保了AI在医学成像中的可重复性报告. 它评估图像注释和元数据,这对于培训和测试AI检测和诊断模型至关重要.
科学领域:
- 医学成像人工智能 医学成像人工智能
- 医疗保健中的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 医疗图像分析的人工智能 (AI) 模型需要对培训和测试数据进行强有力的报告标准.
- 现有的报告准则 (CONSORT,SPIRIT,STARD,TRIPOD) 正在扩展,以满足AI的特定需求.
- 之前的工作提出了一个注释工作流程和计算病理学的质量检查清单.
研究的目的:
- 将注释工作流转化为可评估的读者解释医疗图像质量检查列表.
- 展示这个框架在数字病理学中用于AI模型开发的实用性.
- 引入人工智能可重复报告的注释收集和评估框架 (CLEARR-AI).
主要方法:
- 根据先前的注释工作流程开发了一个可评估的质量检查清单.
- 将检查清单应用于涉及数字病理图像的注释工作.
- 专注于收集和评估用于AI培训和测试的注释和元数据.
主要成果:
- CLEARR-AI框架为评估医疗图像注释质量提供了一个实用的工具.
- 证明了该框架对读者解释的医学图像的适用性,特别是在数字病理学中.
- 强调了在医学诊断中对AI进行透明和可重复报告的重要性.
结论:
- CLEARR-AI框架提高了医疗AI中使用的注释的质量和可重现性.
- 这种报告框架对于可靠的AI模型开发和在医疗保健中部署至关重要.
- CLEARR-AI支持透明的报告,这对于诊断AI的验证和临床集成至关重要.
