可解释 AI 能否破局人机协同?颅内出血 CT 诊断随机交叉试验的启示
可解释 AI 能否破局人机协同?颅内出血 CT 诊断的随机交叉试验启示
一项随机交叉试验纳入125名受试者,比较放射科医师与新手在颅内出血CT诊断中对AI建议的过度依赖与依赖不足,并评估可解释AI的调节作用。研究采用混合方法设计,50名任务专家与75名新手按专业层级等比例随机分组。
6分钟前 吾乃喵大人 MedSci原创 发表于上海
本研究首次系统量化了医学影像诊断中 AI 依赖不足与过度依赖的影响差异,证实依赖不足是当前人机协同效能不足的更关键短板。
深度解析医学证据,DeepEvidence为你支撑决策 人工智能(AI)在医学影像诊断领域已展现出媲美甚至超越临床医师的性能,但在临床落地中,人机协同的诊断表现常未达到 “1+1>2” 的协同效应,甚至不及独立人工或独立 AI 的水平。既往研究与监管政策多聚焦于 “过度依赖 AI” 的风险 —— 即使用者盲从错误 AI 建议导致的诊断偏差,却普遍忽视了 “依赖不足” 现象:使用者主动摒弃正确 AI 建议,同样会造成诊断失误。随着 AI 模型准确率持续提升,正确建议被漏用的潜在危害将愈发凸显。与此同时,可解释人工智能(XAI)被寄予破解 AI “黑箱” 困境、优化人机协作的厚望,但现有研究对其实际效用结论不一,且缺乏对两类依赖偏差的系统性对比。基于此,本研究旨在系统探究医学影像诊断中专家与新手对 AI 建议的依赖模式,明确过度依赖与依赖不足对诊断性能的影响差异,并验证可解释 AI 的调节作用。 本研究采用混合方法、随机交叉试验设计,共纳入 125 名受试者:50 名任务专家(放射科医师)与 75 名新手(非放射科医师及医学受训人员)。受试者按专业层级等比例随机分入 6 组,以不同顺
小提示:本篇资讯需要登录阅读,点击跳转登录
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
来源:梅斯医学·临床资讯 · news.medsci.cn
