使用人工智能来提高人类的表现:使用合成图像进行高效的视网膜疾病检测培训
Hitoshi Tabuchi1,2, Justin Engelmann3, Fumiatsu Maeda4
1Department of Technology and Design Thinking for Medicine, Graduate School of Biomedical and Health Sciences, Hiroshima University, Hiroshima, Hiroshima, Japan htabuchi@hiroshima-u.ac.jp.
The British journal of ophthalmology
|March 14, 2024
概括
生成性AI为培训创造了合成视网膜图像,显著提高了医学学生的诊断准确性. 这种人工智能辅助的教学方法强调了人类判断在诊断中的不可替代作用.
科学领域:
- 眼科医生 眼科 眼科
- 医学教育 医学教育
- 人工智能的人工智能
背景情况:
- 人工智能 (AI) 在医学成像诊断中提供了巨大的潜力,但人类判断仍然至关重要.
- 提出了一种新的人工智能辅助教学方法,利用生成性人工智能来训练学生使用各种医疗图像,同时确保患者的隐私.
研究的目的:
- 评估基于网络的课程使用合成超广场 (UWF) 视网膜图像来培训医学学生在疾病检测方面的有效性.
- 评估人工智能生成的合成图像对诊断准确性的影响,与传统方法和人工智能模型相比.
主要方法:
- 开发了一个基于网络的课程,包含600个通过微调稳定扩散模型生成的合成UWF视网膜图像.
- 培训数据集包括6个类别的6285个真实UWF图像,包括五种视网膜疾病和正常病例.
- 161名训练员整形医生完成了课程,并使用UWF和标准场 (SF) 实体患者图像进行训练前和训练后测试进行评估.
主要成果:
- 学生在完成课程后在诊断准确度上显著改善,UWF图像准确度从43.6%上升到74.1% (p<0.0001).
- 对SF图像的诊断精度也大幅增加,从42.7%提高到68.7% (p<0.0001),超过了最先进的AI模型的性能.
- 人工智能辅助的训练几乎与UWF图像的领先人工智能模型的准确性相匹配,并且在SF图像中超过了它.
结论:
- 由人工智能生成的合成医学图像是医学教育和培训的有效工具.
- 人类诊断性能在新奇的情况中比人工智能更强大,这强调了人类判断在医学诊断中的持续重要作用.
