在基于人工智能的放射性图像解释中,使用生成性预训练重建患者特异性混因子
Tianyu Han1, Laura Žigutytė2, Luisa Huck1
1Department of Diagnostic and Interventional Radiology, University Hospital RWTH Aachen, 52074 Aachen, Germany.
Cell reports. Medicine
|September 6, 2024
概括
人工智能 (AI) 模型 DiffChest 在医疗图像中识别出误导性模式. 这种人工智能通过可视化胸部X射线图中的混因素来提高诊断系统的信任和可靠性.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 放射学 放射学是一门学科.
背景情况:
- 自动诊断辅助系统,特别是使用人工智能 (AI) 的系统,需要可靠地检测出误导性模式,以确保用户的信任.
- 目前用于AI诊断系统中可视化混因素的方法不足.
- 识别和减轻人工智能模型中的偏差对于临床采用至关重要.
研究的目的:
- 介绍DiffChest,一种新型的自我调节的扩散模型,旨在检测和可视化胸部X射线图中的混因素.
- 提高人工智能驱动的诊断辅助系统的可靠性和可解释性.
- 通过解决潜在的模型偏差来提高诊断准确性.
主要方法:
- 开发了DiffChest,一种自我调节的扩散模型,其训练使用了来自194,956名患者的515,704张胸部X射线图的大数据集.
- 利用患者特定的解释和可视化技术来识别混因素.
- 通过使用读者间协议 (Fleiss' kappa值≥0.8) 验证的混者检测能力,并在各种流行率 (10%-100%) 中评估了准确性.
主要成果:
- 在识别与治疗相关的混因素方面,DiffChest显示了高的读者间一致性 (Fleiss' kappa ≥ 0.8).
- 在广泛的流行范围中准确地检测到混因素.
- 该模型在11种常见的胸部疾病中实现了出色的诊断准确性,包括多流和心力衰竭.
结论:
- 扩散模型显示了强大的医疗图像分类的巨大潜力.
- DiffChest提供了对混因素的宝贵见解,提高了AI模型的解释性和可靠性.
- 拟议的方法可以提高用户的信任和AI在医学诊断中的临床实用性.
