利用眼动追踪技术与机器学习区分放射科医师：一项案例研究

感知相关错误构成了放射学中大多数诊断失误。为缓解此问题，放射科医师采用个性化且高维的视觉搜索策略，亦称搜索模式。这些搜索模式的定性描述（涉及医师口头表述或标注其分析图像的顺序）可能不可靠，因为报告内容与实际视觉模式之间存在差异。这种差异会干扰质量改进干预并对患者护理产生负面影响。本研究提出了一种基于注视数据时空分箱的离散化特征编码，用于在阅读胸部 X 光片时高效的几何对齐与时间排序。机器学习分类器利用眼动注视数据的编码特征来区分教员与受训放射科医师。我们包含了一项临床试验案例研究，利用曲线下面积（AUC）、准确率、F1、灵敏度和特异度指标进行类别可分性评估，以评价两者在经验水平上的可区分性。随后我们将分类性能与最先进方法进行比较。还使用单独的数据集、实验协议和眼动仪对八名受试者进行了可重复性实验，以评估所提方法的鲁棒性。两项实验的数值结果表明，采用所提特征编码方法的分类器在区分不同经验水平放射科医师方面优于当前最先进水平。这表明所提方法在识别放射科医师专业水平及那些将受益于额外培训者方面的潜在影响。