患者特征影响人工智能算法在解释负面查中的性能 数字乳腺图莫合成研究 研究
Derek L Nguyen1, Yinhao Ren1, Tyler M Jones1
1From the Department of Radiology, Duke University School of Medicine, 10 Duke Medicine Cir, Durham, NC 27710 (D.L.N., J.Y.L., L.J.G.); Pratt School of Engineering (Y.R.) and Department of Biostatistics and Bioinformatics (T.M.J., S.M.T.), Duke University, Durham, NC; and iCAD, Nashua, NC (Y.R.).
Radiology
|May 21, 2024
概括
患者的特征,如种族,年龄和乳腺密度显著影响人工智能 (AI) 在解释查数字乳腺突合成 (DBT) 检查中的表现. 这种人工智能偏见需要仔细考虑在放射学中公平地应用人工智能.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 人工智能 (AI) 越来越多地被采用来管理放射科医生的工作负载.
- 患者人口统计学对医疗成像AI性能的影响仍未得到充分探索.
- 了解这些差异对于公平的AI部署至关重要.
研究的目的:
- 评估患者的特征,包括种族,种族,年龄和乳腺密度,如何影响人工智能算法的性能.
- 这项研究特别关注AI对负查数字乳腺图莫合成 (DBT) 检查的解释.
- 目标是识别与患者因素相关的AI性能潜在偏差.
主要方法:
- 一项回顾性队列研究分析了从2016年到2019年的4855次负查DBT检查.
- 患者数据包括种族,种族,年龄和乳腺密度.
- 美国食品和药物管理局批准的AI算法解释了DBT研究,生成病例和风险得分. 多变量逻辑回归分析了与患者特征的得分关系.
主要成果:
- 与白人患者相比,黑人患者的假阳性病例得分更高,亚洲患者的得分更低.
- 较老的年龄组 (71-80岁) 呈现出较高的假阳性病例得分,而年轻的年龄组 (41-50岁) 的得分较低.
- 黑人患者,老年患者 (61-70岁) 和乳房非常密集的患者具有更高的错误阳性风险得分.
结论:
- 患者的特征显然影响了FDA批准的AI算法在分析查DBT检查中的性能.
- 该研究强调了基于种族,年龄和乳腺密度的AI性能差异.
- 这些发现强调了在放射学中使用的AI工具中对偏差评估和缓解的需求.
