提高甲状腺结节的诊断准确性:将自我学习和人工智能纳入临床培训中

科学领域:

• 医学教育 医学教育
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 在临床实践中,区分良性和恶性甲状腺结节是至关重要的.
• 住院培训需要有效的方法来发展诊断技能.
• 甲状腺超声波是评估结节的关键成像方式.

研究的目的:

• 评估一种自学方法,作为区分甲状腺结节的住院医生辅助培训工具.
• 评估人工智能计算机辅助诊断 (AI-CAD) 对诊断性能的影响.

主要方法:

• 内科住院医生参加了重复的自我学习课程,使用大量的甲状腺结节图像数据集.
• 用一组120张训练前后图像测试测量了诊断性能.
• 放射科住院医生的表现在一对一教育之前和之后被评估.
• 所有居民都经过AI-CAD辅助和没有AI-CAD辅助的评估.

主要成果:

• 内科住院医生的诊断性能在自我学习后显著改善,达到与放射科住院医生的水平相当的水平.
• 人工智能计算机辅助诊断 (AI-CAD) 导致两组患者的诊断准确度进一步显著提高.
• 内科和放射科住院医生之间的初始绩效差异可以通过自学方法克服.

结论:

• 用广泛的超声波图像进行代自我学习,有效地帮助居民诊断甲状腺结节.
• AI-CAD提供了一种有价值的工具,可以提高甲状腺成像诊断能力,跨越所有经验水平.
• 这项研究强调了将自主学习与人工智能支持医疗培训的结合的潜力.