整合专家知识与可解释数据驱动智能实现感染性角膜炎协作临床诊断
人工智能
2024-01-18 v1 计算机视觉与模式识别
人机交互
摘要
尽管数据驱动的人工智能在医学图像诊断中展现出令人印象深刻的计算机性能，但缺乏可解释性使得“黑箱”难以融入临床医生的工作流程。为了使从数据中学习到的诊断模式能被临床医生理解，我们开发了一种可解释模型——知识引导诊断模型（KGDM），该模型提供包含基于AI的生物标志物和具有相同诊断模式的检索病例的可视化推理过程。它通过人机交互将临床医生的提示纳入解释性推理中，从而可能提高安全性并实现更准确的预测。本研究探讨了KGDM在感染性角膜炎（IK）诊断中的性能、可解释性和临床实用性，感染性角膜炎是导致角膜盲的主要原因。KGDM的分类性能在前瞻性验证数据集、外部测试数据集和公开测试数据集上进行了评估。解释后的基于AI的生物标志物的诊断优势比（DOR）有效，范围从3.011到35.233，并且与临床经验一致的诊断模式。此外，还进行了一项人机协作诊断测试，参与协作的参与者表现超过了单独的人类或AI。通过协同整合可解释性和交互性，本研究促进了临床医生的专业知识与数据驱动智能的融合。借助基于AI的生物标志物促进经验不足的眼科医生的提升，以及通过经验丰富的医生的干预提高AI预测，展示了使用KGDM进行感染性角膜炎诊断的一种有前景的范式，该范式有望扩展到其他经验丰富的医疗从业者有限且AI安全性受到关注的疾病。
引用
@article{arxiv.2401.08695,
title = {Enabling Collaborative Clinical Diagnosis of Infectious Keratitis by Integrating Expert Knowledge and Interpretable Data-driven Intelligence},
author = {Zhengqing Fang and Shuowen Zhou and Zhouhang Yuan and Yuxuan Si and Mengze Li and Jinxu Li and Yesheng Xu and Wenjia Xie and Kun Kuang and Yingming Li and Fei Wu and Yu-Feng Yao},
journal= {arXiv preprint arXiv:2401.08695},
year = {2024}
}
备注
33 pages