Enhancing Radiological Diagnosis: A Collaborative Approach Integrating AI and Human Expertise for Visual Miss Correction

这项研究旨在开发一种协作人工智能系统CoRaX，将眼动数据和放射学报告整合起来，通过精确定位感知错误和优化决策过程，提高胸部放射学的诊断准确性。研究使用公共数据集REFLACX和EGD-CXR，回顾性地开发了CoRaX，采用大型多模型来分析图像嵌入、眼动数据和放射学报告。系统的有效性是基于其转诊过程、转诊质量和协作诊断设置的表现进行评估的。CoRaX在271个样本的模拟错误数据集上进行了测试，其中28%（93/332）的异常被漏诊。该系统纠正了其中的21%（71/332）的错误，留下7%（22/312）未解决。指示所有真实转诊预测区域准确性的转诊有用性得分为0.63（95% CI 0.59, 0.68）。反映CoRaX与放射科医生交互的诊断准确性的总体有用性得分表明，84%（237/280）的交互得分超过0.40。总之，CoRaX能够高效地与放射科医生协作，解决各种异常的感知错误，在初学放射科医生的教育和培训方面具有潜在应用。

本论文旨在开发一种协作人工智能系统CoRaX，结合眼动数据和放射学报告，通过指出感知错误和优化决策过程来提高胸部放射学的诊断准确性。

CoRaX利用大型多模型来分析图像嵌入、眼动数据和放射学报告，有效地协作与放射科医生解决各种异常情况的感知错误，为初学者的放射科医生教育和培训提供了潜在的应用。

实验使用REFLACX和EGD-CXR公共数据集，对CoRaX进行回顾性开发和测试。结果显示，CoRaX在模拟的271个样本的测试中，能够纠正21%的错误，Referral-Usefulness分数为0.63，Total-Usefulness分数表明84%的交互具有较高的诊断准确性。此外，该论文提供了开源代码。

最近的相关研究包括利用深度学习技术进行医学图像分析和利用人工智能协助医生进行诊断。其中一些研究包括：'DeepLesion: Automated Mining of Large-Scale Lesion Annotations and Universal Lesion Detection with Deep Learning'和'Clinically applicable deep learning for diagnosis and referral in retinal disease'。