利用数字群体智能平台提升放射科医生间共识并探索其应用

当今放射科医生在做出诊断决策和为训练 AI 算法标注图像方面发挥着关键作用。专家在解读疑难病例时可见较低的读者间可靠性（IRR）。尽管众所周知团队决策优于个体决策，但群体互动中常渗入人际偏见，限制了非主导参与者表达真实意见。为克服低共识与人际偏见双重问题，我们探索了一种以蜜蜂生物群体为模型的解决方案。两个独立队列——三名放射科医生与五名放射科住院医——在数字群体平台上实时且盲态协作，对膝关节 MR 检查中的半月板损伤进行分级。这些共识投票以临床（关节镜）与放射学（最高年资放射科医生）观察为基准。将共识投票的 IRR 与两队列多数投票及最自信投票的 IRR 进行比较。放射医生队列的群体投票 IRR 较多数投票提升 23%。在 3 人住院医群体投票中观察到类似的 IRR 较多数投票提升 23%。5 人住院医群体的 IRR 较多数投票提升更高，达 32%。群体共识投票还将特异性提高至多 50%。群体共识投票在放射医生与住院医队列中均优于个体及多数投票决策。5 人住院医群体的 IRR 高于 3 人住院医群体，表明群体规模增大具有正向效应。主治与住院医群体也优于最先进 AI 算法的预测。利用数字群体平台改善了一致性，并允许参与者表达无判断意图的看法，从而获得更优的临床表现与稳健的 AI 训练标签。