人类-人工智能协作与可解释性用于2D/3D配准质量保证
人机交互
2025-11-20 v2 计算机视觉与模式识别
摘要
目的：随着手术日益融合先进成像、算法和机器人技术以自动化复杂任务，人类对系统正确性的判断仍是患者安全的关键监护。一个关键案例是 2D/3D 配准，当配准误差小时，可能导致手术误差。当前的可视化策略单独使用时不足以可靠地使人类检测到这些误差，凸显了需要增强决策支持工具的需求。方法：我们提出了首个专为 2D/3D 配准质量评估设计的人工智能 (AI) 模型，并增添可解释人工智能 (XAI) 机制以阐明模型的预测。我们系统性地比较了基于四种情形的决策：AI-only、Human-only、Human+AI 和 Human+XAI。结果：AI-only 条件实现了最高的准确率，而协作范畴 (Human+AI 和 Human+XAI) 在灵敏度、精确度和特异度方面均优于单一方法。参与者在协作情形下的主观负荷显著低于 Human-only 条件。此外，参与者在 Human+XAI 条件下对 AI 预测的理解程度高于 Human+AI 条件，但在感知信任或负荷方面，两种协作范畴之间未观察到显著差异。结论：人类-人工智能协作可提升 2D/3D 配准质量保证，解释性机制有助于提升用户理解。未来工作应细化 XAI 设计，以优化决策绩效和效率。算法设计和人类-XAI 协作元素的扩展，都为更稳健的 2D/3D 配准质量保证指望前景。
引用
@article{arxiv.2507.17597,
title = {Human-AI Collaboration and Explainability for 2D/3D Registration Quality Assurance},
author = {Sue Min Cho and Alexander Do and Russell H. Taylor and Mathias Unberath},
journal= {arXiv preprint arXiv:2507.17597},
year = {2025}
}