用于胎儿生长扫描的可解释AI的临床验证,通过多层次,跨机构的潜在最终用户评估来进行验证

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胎儿医学 胎儿医学

背景情况:

• 可解释的人工智能 (XAI) 对于临床采用至关重要.
• 胎儿超声波需要高精度的成长扫描.
• 目前的XAI模型缺乏全面的临床验证.

研究的目的:

• 开发和评估XAI模型用于胎儿超声波成长扫描.
• 为临床医生提供可操作的反,用于图像优化和地标识别.
• 评估模型在未来的多中心临床环境中的表现.

主要方法:

• 开发了一个使用修改后的渐进概念瓶模型的深度学习模型.
• 该模型使用了回顾性和前性数据,包括9352张注释图像和100张视频.
• 展望评估重点是平面质量评估,解释正确性和有用性,以及临床医生的专业知识歧视.

主要成果:

• 该XAI模型实现了96.3%的整体分类准确度.
• 模型在评估平面质量的表现与临床医生水平相匹配.
• 临床医生对模型细分和解释的同意率很高 (83.3%和74.2%),感知到的有用性约为75%.

结论:

• 成功开发了一种有效的XAI模型,用于实时反胎儿超声波.
• 该研究强调了XAI在胎儿医学中的前性多机构临床验证的重要性.
• XAI模型在评估运营商能力方面显示出潜力,解决了当前实践中的差距.