开发和验证一个Sham-AI模型,用于CT血管学检测内动脉瘤
Zhao Shi1, Bin Hu1, Mengjie Lu2
1Department of Radiology, Jinling Hospital, Affiliated Hospital of Medical School, Nanjing University, Nanjing 210002, China.
Radiology. Artificial intelligence
|March 19, 2025
概括
一个虚假的人工智能 (AI) 模型并没有对放射科医生的脑内动脉瘤诊断性能产生负面影响. 这种假AI作为安慰剂对照,证实了标准AI在临床环境中的好处.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经辐射学神经辐射学
背景情况:
- 人工智能 (AI) 模型越来越多地用于医学诊断.
- 评估人工智能的真正影响需要严格的控制措施,如安慰剂比较.
- 内动脉瘤是致病率和死亡率的重要原因,需要准确的诊断工具.
研究的目的:
- 开发和评估假人工智能 (AI) 模型作为安慰剂对照.
- 为了比较放射科医生的诊断性能,有和没有人工智能辅助.
- 评估假人工智能对放射科医生的脑内动脉瘤诊断准确度的影响.
主要方法:
- 一个回顾性,盲目的,多读者,多病例研究,涉及16,422 CT血管学检查.
- 开发具有接近零灵敏度的假AI和具有高灵敏度和特异性的标准AI.
- 28名放射科医生被分配阅读标准AI,假AI或没有AI协助的病例.
主要成果:
- 标准人工智能表现出高灵敏度 (96.0%) 和特异性 (82.0%),而假人工智能表现不佳 (0.0%灵敏度,76.0%特异性).
- 与假AI辅助读数相比,通过标准AI辅助的放射科医生显示了显著提高的灵敏度 (20.7%的增加).
- 虚拟人工智能辅助不会影响放射科医生的诊断性能,其灵敏度和特异性与无辅助读数相美.
结论:
- 开发的虚假人工智能模型在评估人工智能辅助诊断时有效地作为安慰剂对照.
- 放射科医生的诊断性能没有受到假AI的负面影响,这表明它作为对照的惰性.
- 这项研究验证了在医学诊断中评估AI工具的方法,证实了标准AI用于内动脉瘤检测的好处.
