基底细胞癌诊断中的一致性. 构建一个适当的标准参考来训练人工智能工具
Francisca Silva-Clavería1, Carmen Serrano2, Iván Matas2
1Dermatology Service, Hospital Universitario Virgen Macarena, Seville, Spain.
概括
通过使用来自多名皮肤科医生的基于共识的标签,而不是单一专家,提高了基础细胞癌 (BCC) 诊断的培训AI. 这种方法减少了偏见,并提高了AI用于临床使用的可解释性.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 可靠的标签对于在医学中训练人工智能 (AI) 工具至关重要.
- 基础细胞癌 (BCC) 的诊断依赖于主观皮肤镜标准,需要可解释的AI输出.
- 用于BCC诊断的AI工具应该识别并呈现这些皮肤镜标准.
研究的目的:
- 分析皮肤科医生同意BCC诊断的皮肤镜标准.
- 用单个专家标签与基于共识的标签进行训练的AI模型的性能进行比较.
- 评估共识标签对AI解释性和偏见缓解的影响.
主要方法:
- 1230张BCC的远程皮肤学图像被四名皮肤科医生标记.
- 从四种诊断中使用预期最大化创建了一个共识标准 (SR).
- 人工智能模型使用单个专家和共识标签进行训练,并使用麦克内马尔测试和哈明距离对204张新图像进行性能比较.
主要成果:
- 对于BCC与非BCC分类 (Kappa = 0.9079) 观察到皮肤科医生高度一致.
- 对于特定的皮肤透视标准,共识较低.
- 使用共识标签训练的人工智能模型与使用个人标签训练的人工智能模型相比,在统计学上表现不同.
结论:
- 从多个专家意见中建立一个标准参考 (SR) 将人工智能培训数据中的个人偏见降到最低.
- 基于共识的标签显著提高了AI诊断工具的可解释性.
- 改进人工智能解释性对于皮肤病学中成功的临床采用至关重要.
