一个新的统计框架,用于量化AI自动化在查乳房镜中的风险和好处
Michael H Bernstein1, Maggie Chung2, Adam Yala3
1Brown Radiology Human Factors Lab, Department of Radiology, The Warren Alpert Medical School, Brown University, and Brown University Health, Providence, Rhode Island, United States of America.
PLOS digital health
|February 26, 2026
概括
确定乳房造影人工智能的最佳门对于平衡减轻工作量和患者安全至关重要. 这项研究提出了一个框架,发现75%的病例减少,在一个门上有121种额外的遗漏癌症,在36%的减少中没有额外的遗漏癌症.
科学领域:
- 放射学 放射学是一门学科.
- 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) 正在探索用于分类乳房影像,以减少放射科医生的工作量.
- 最佳的人工智能
- 没有 rule-out 的规则.
- 值的确定仍然不清楚.
研究的目的:
- 提出一个框架来确定一个最佳的AIAI.
- 没有 rule-out 的规则.
- 乳房扫描查中的门值.
- 分析在不同AI门下减少案件负载和错误遗漏率之间的权衡.
主要方法:
- 对114,229张双边2D数字查乳房图 (2006-2023) 的回顾性分析.
- 使用Mirai (开源深度学习模型) 进行AI评分,为1年风险.
- 衡量指标的评估:案件减少率 (CRR),AI虚假遗漏率 (G-FOR),AI虚假遗漏率 (N-FOR) 和AI调整的虚假遗漏率 (AN-FOR[30%]).
- 两个值的比较:0.20 (尤登的J) 和0.05 (AN-FOR[30%]=0).
主要成果:
- 在0.20的门 (尤登的J):CRR=75%,G-FOR=0.26%,N-FOR=0.17%,AN-FOR[30%]=0.14% (121个癌症错过).
- 在0.05值 (AN-FOR[30%]=0) 时:CRR=36%,G-FOR=0.12%,N-FOR=0.07%,AN-FOR[30%]=0.00% (0个癌症没有被发现).
- 尤登的J值可以减少75%的病例负载,并增加121例遗漏的癌症.
结论:
- 放射学实践可以利用拟议的框架来选择适当的AI.
- 没有 rule-out 的规则.
- 基于特定的临床目标的门值.
- 0.05的门 (AN-FOR[30%]=0) 实现零额外错过的癌症,以减少36%的病例减少为代价.
- 0.20 (尤登的J) 的门最大限度地减少了病例数量 (75%),但导致了121个额外的癌症错过.
