人工智能在病理学中的形成性可用性测试:评估可接受性的挑战

科学领域:

• 数字病理学数字病理学
• 人工智能在医学中的应用
• 瘤学 诊断 诊断 瘤学

背景情况:

• 数字病理学使人工智能集成成为增强的诊断和报告能力.
• 人工智能工具正在开发中,用于分析皮肤癌病例的数字血素和氨酸 (H&E) 染色组织图像.
• 目标是预先填写病理学报告,旨在提高病理学家的效率并节省时间.

研究的目的:

• 评估AI病理学助理初始代的易用性和可接受性.
• 识别可用性问题并收集反,用于未来的AI工具开发数字病理学.

主要方法:

• 在英国七家医院的十二名病理学家进行了一项大声思考评估.
• 参与者使用人工智能工具完成了病理学报告,随后进行了简短的采访.
• 来自大声思考会议和采访的定性数据被分析,以确定可用性挑战.

主要成果:

• "大声思考"评估发现了一些影响人工智能工具易用性的问题.
• 人工智能的表现,特别是填写报告项目的不准确性,阻碍了对工具可接受性的评估.
• 人工智能的不准确性引入了额外的任务,可能会降低整体报告效率.

结论:

• 人工智能准确性对于评估将人工智能工具集成到临床工作流程并提高效率至关重要.
• 临床医生对人工智能性能的信任对于在实践中成功采用这些工具至关重要.
• 需要进一步开发以完善AI的准确性和可用性,以便有效地整合到数字病理报告中.