超越首次阅读：基于胸片影像中感知错误检测的 AI 辅助系统，考虑跨观察者变异性

胸片影像在诊断影像中广泛应用。然而，感知错误——尤其是被忽略但可见的异常情况——仍然常见且临床上具有重要意义。当前的工作流程和人工智能系统对检测此类错误支持有限，往往缺乏有意义的人机协作。我们引入了 RADAR（Radiologist--AI Diagnostic Assistance and Review，即放射科医生--人工智能诊断辅助与审查系统），一个术语后辅助系统。RADAR 接收最终确定的放射科医生标注和胸片图像，然后进行区域级别的分析，以检测并推荐可能被忽略的异常区域。该系统支持“第二次查看”工作流程，提供建议的感兴趣区域（ROI）而非固定标签，以适应跨观察者变异性。我们在模拟感知错误数据集上对 RADAR 进行了评估，以 F1 分数和交并比（IoU）作为主要指标。RADAR 在检测模拟感知错误数据集中的被忽略异常方面实现了召回率为 0.78、精确率为 0.44，F1 分数为 0.56。虽然精确率适中，这有助于减少对人工智能的过度依赖，鼓励放射科医生在人机协作中的监督。中位数 IoU 为 0.78，超过 90% 的推荐结果均超过 0.5 IoU，表明区域定位准确。RADAR 有效补充了放射科医生的判断，为胸片解读中的感知错误检测提供了有价值的术语后支持。其灵活的 ROI 建议和非侵入式集成使其成为实际放射科工作流程中具有前景的工具。为促进可重复性和进一步评估，我们发布了完整的开源 Web 实现及模拟错误数据集。所有代码、数据、演示视频和应用程序均可在 https://github.com/avutukuri01/RADAR 公开获取。