使用眼睛追踪技术和机器学习对放射科医生的经验水平的歧视:案例研究
Stanford Martinez1, Carolina Ramirez-Tamayo1, Syed Hasib Akhter Faruqui2
1Department of Mechanical Engineering, The University of Texas at San Antonio, San Antonio, TX, United States.
JMIR formative research
|January 22, 2025
概括
这项研究引入了一种新的眼睛追踪数据分析方法,以客观地根据经验水平区分放射科医生. 该方法准确地识别专业知识,有助于有针对性的培训和减少放射学诊断错误.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学信息学 放射学信息学
- 人与计算机的互动.
背景情况:
- 与感知相关的错误是放射学诊断错误的重要原因.
- 放射科医生采用视觉搜索模式,但定性描述不可靠,阻碍了质量改进.
- 报告和实际视觉搜索模式之间的差异会影响患者的护理.
研究的目的:
- 开发一种客观的方法,使用眼睛跟踪数据来区分放射科医生.
- 根据潜意识的视觉检查行为来区分放射科医生.
- 为了利用原始的目光或固定数据进行专业评估.
主要方法:
- 开发了一种基于固定数据的时空对接的新型离散特征编码.
- 机器学习分类器使用编码的眼动数据来区分教师和实习放射科医生.
- 与最先进的方法相比,使用AUC,精度,F1得分,灵敏度和特异性来评估性能.
主要成果:
- 拟议的特征编码方法在通过经验区分放射科医生时,超过了当前最先进的技术.
- 与传统功能相比,观察到平均性能增长6.9%.
- 在不同的眼球追踪器数据集中 (Tobii:6.41%,EyeLink:7.29%) 发现了显著的准确性改进.
结论:
- 时空分离方法为评估放射科医生的专业知识提供了一种有效,客观的方法.
- 通过在各种数据集中验证,该方法可以为目标干预和培训策略提供信息.
- 这项研究提供了可靠的评估工具,以解决与感知相关的错误,并提高放射病患者的护理.


