利用显著性图向终端用户解释低质量心电图
机器学习
2025-08-21 v2 人工智能
人机交互
信号处理
摘要
当临床医生或人工智能 (AI) 系统使用医学图像进行诊断时，图像具有高质量至关重要。当图像质量较低时，产生该图像的医学检查通常需要重做。在远程医疗中，一个常见的问题是，质量问题往往在患者离开诊所后才被发现，这意味着他们必须返回以重新进行检查。这对于居住在偏远地区的人们来说尤其困难，他们构成了 Portal Telemedicina（一家位于巴西的数字医疗组织）患者的很大一部分。在本文中，我们报告了正在进行的工作，涉及 (i) 开发一个用于实时标记和解释低质量医学图像的 AI 系统，(ii) 一项访谈研究，旨在了解我们公司使用该 AI 系统的利益相关者的解释需求，以及 (iii) 一项纵向用户研究设计，旨在检验加入解释对我们诊所技术人员工作流程的影响。据我们所知，这将是首个评估可解释人工智能 (XAI) 方法对终端用户（即使用 AI 系统但不具备 AI 专业知识的利益相关者）影响的纵向研究。我们欢迎对我们的实验设置提出反馈和建议。
引用
@article{arxiv.2207.02726,
title = {Towards the Use of Saliency Maps for Explaining Low-Quality Electrocardiograms to End Users},
author = {Ana Lucic and Sheeraz Ahmad and Amanda Furtado Brinhosa and Vera Liao and Himani Agrawal and Umang Bhatt and Krishnaram Kenthapadi and Alice Xiang and Maarten de Rijke and Nicholas Drabowski},
journal= {arXiv preprint arXiv:2207.02726},
year = {2025}
}
备注
Accepted to ICML 2022 Workshop on Interpretable ML in Healthcare