面向放射科AI虚拟临床试验的条件生成建模

人工智能（AI）正站在改变医疗保健的前沿，通过数据驱动的见解实现个性化和高效护理。尽管放射科学尽早采用了AI，但实际应用中，AI模型的潜力常被严重的泛化失败所掩盖：当AI模型从受控测试环境迁移到放射科医生的实际使用时，性能可能下降最高可达20%。这种不匹配担心放射科医生会被错误的AI预测所误导，或开始对AI失去信任，从而使这些有前景的技术在实际中毫无用处。因此，对AI模型在丰富且多样化数据上的彻底临床试验至关重要，以期在遇到各种数据样本时预测AI模型的性能衰减。然而，实现这些目标面临着获取多样化数据样本及其相应标注的高昂成本的挑战。为克服这些限制，我们引入了一种新型条件生成AI模型，专为放射科AI的虚拟临床试验（VCTs）而设计，能够实现对具有指定属性的患者全身CT图像的真实合成。通过学习图像与解剖结构的联合分布，该模型在规模和细节上实现了对真实世界患者群体的精确复制。我们通过由合成CT研究人群支持的VCTs展示了放射科AI模型的有意义评估，揭示了模型性能衰减，促进了针对引发偏差的数据属性的算法审计。我们的生成式AI方法为VCTs提供了一条通往可扩展解决方案的道路，以评估模型鲁棒性，减轻偏差，并通过在任何所需的多样化患者人群范围内简化AI模型的测试和评估，保障患者护理。