Evaluating Physician-AI Interaction for Cancer Management: Paving the Path towards Precision Oncology

我们评估了临床医生在给出随机对照试验（RCTs）和机器学习（ML）模型的结果时如何进行临床决策。为此，我们设计了一个临床决策支持系统（CDSS），显示了12名多发性骨髓瘤患者的合成RCT和ML模型的生存曲线和不良事件信息。我们在模拟环境中进行了一项干预研究，评估临床医生如何综合可用数据做出治疗决策。参与者被邀请参加后续采访，以开放式形式讨论他们的选择。当ML模型结果与RCT结果一致时，与仅给出RCT结果相比，医生对治疗选择的信心增加。当ML模型结果与RCT结果不一致时，大多数医生在治疗选择中遵循ML模型建议。在医生获得有关ML模型的培训和验证数据后，ML模型的可靠性被认为是一致的。后续采访揭示了四个主要主题：（1）参与者在决策中使用的变量的变异性，（2）认为ML模型优于RCT数据的优势，（3）当ML模型质量较差时，对决策的不确定性，（4）认为这种类型的研究对于临床医生是一个重要的思考练习。总的来说，基于ML的CDSS有潜力改变癌症管理中的治疗决策。然而，在部署之前，这些系统需要进行细致的开发和验证以及临床医生的培训。

本文旨在评估临床医生在获得随机对照试验（RCT）和机器学习（ML）模型结果时如何进行临床决策。同时，本文也试图探究ML模型在癌症管理中对治疗决策的潜在影响。

本文设计了一个临床决策支持系统（CDSS），展示了12名多发性骨髓瘤患者的合成RCT和ML模型的生存曲线和不良事件信息。研究发现，当ML模型结果与RCT结果一致时，医生对治疗选择的信心比仅获得RCT结果时更高。当ML模型结果与RCT结果不一致时，大多数医生会遵循ML模型的建议进行治疗选择。同时，本文还强调了ML-based CDSSs在癌症管理中改变治疗决策的潜在作用。

本文的实验采用了临床干预研究方法，并采用了合成数据集。研究发现，ML模型对于治疗选择的影响是显著的。此外，本文还探讨了医生对于ML模型的可靠性的感知问题，并强调了ML-based CDSSs的开发和验证以及临床医生的培训等问题。

最近在这个领域中，还有一些相关的研究，如“Machine Learning for Medical Diagnosis: History, State of the Art and Perspective”和“Deep Learning for Medical Diagnosis: Personalized Medicine, Explainability and Clinical Translation”等。