分析阴道黑色素瘤的临床变量,以确定它们如何影响人工智能分类器做出的决定
Emily Laycock1, Ezekiel Weis2, Antoine Sylvestre-Bouchard1
1Cumming School of Medicine, University of Calgary, Calgary, AB, Canada.
概括
人工智能模型更有可能错过薄胆膜色素细胞病变 (CML),从而导致错误的负分类. 这一发现有助于验证眼科人工智能,并了解其在微妙的CML方面的局限性.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 人工智能 (AI) 模型在眼科领域具有潜力,但由于它们的存在,它们面临着采用挑战.
- 黑盒子是一个黑盒子.
- 自然. 自然. 自然.
研究的目的:
- 为了确定与假阴性 (FN) AI分类相关的冠状腺黑色细胞病变 (CML) 的临床特征.
- 提高AI模型在眼科中的解释性和验证性.
主要方法:
- 一个回顾性队列研究,使用了194名患者的388张 fundus图像.
- 训练用于检测CML的AI模型;后勤回归分析了FN分类与CML特征,人口统计和皮膜黑色素瘤 (UM) 风险因素之间的关联.
主要成果:
- 人工智能模型为CML产生了23%的FN分类.
- 较薄的CML与FN分类有显著的关联 (p=0.026).
- 在FN分类和UM的成像风险因素之间没有发现显著的关联.
结论:
- 人工智能模型对CML的FN分类受损伤薄度的影响.
- 研究结果表明,通过考虑病变形态学,可以提高AI的解释性.
