医疗图像分析的眼睛跟踪增强深度学习:对数据效率,可解释性和多模式集成进行系统审查
Jiangxia Duan1,2, Meiwei Zhang3, Minghui Song1,2
1Department of Military Biomedical Engineering, Air Force Medical University, No. 169 Changle West Road, Xi'an 710032, China.
Bioengineering (Basel, Switzerland)
|September 27, 2025
概括
眼睛跟踪 (ET) 通过提高数据效率和可解释性来增强医疗图像分析中的深度学习 (DL). 这种方法弥合了人工智能和临床医生之间的差距,导致更可靠和更集成的人工智能系统.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 人与计算机的交互
背景情况:
- 深度学习 (DL) 在医学图像分析 (MIA) 中表现出色,但由于数据有限和缺乏透明度,它面临着挑战.
- 将DL纳入临床实践受到数据稀缺和AI决策的"黑子"性质的阻碍.
- 医生信任和问责对于医疗保健中人工智能采用至关重要.
研究的目的:
- 审查医疗图像分析中将眼睛跟踪 (ET) 与深度学习 (DL) 整合的最先进策略.
- 为ET-DL集成提出一个统一的框架,以提高数据效率,模型可解读性和多式联通.
- 为医疗保健中以临床医生为中心的AI系统解决关键的实施障碍.
主要方法:
- 按照PRISMA指南进行系统的文献审查.
- 对眼睛跟踪 (ET) 的现有研究进行分析,以监督和解释深度学习 (DL) 模型.
- 开发ET-DL集成的概念框架.
主要成果:
- 眼睛跟踪 (ET) 提供监督信号,以提高DL模型的准确性和特征识别,特别是在有限的数据.
- ET促进了机器和人类注意力之间的比较,提高了DL模型的解释性和临床医生的信任.
- 拟议的框架将ET定位为数据效率,可解释性验证和多式联络调整的工具.
结论:
- ET-DL集成提供了一个有前途的解决方案,以增强AI在医疗图像分析,解决数据限制和可解释性问题.
- 对ET-DL的统一框架可以导致以临床医生为中心的AI系统,具有可验证的推理和无的工作流集成.
- 这种方法为未来在医疗保健中对可靠和可理解的人工智能的临床部署铺平了道路.
