机构名称：
¥ 1.0
随着深度学习在医学成像领域的应用呈爆炸式增长，由于人工智能技术的复杂性/多样性增加、这些新技术对大型数据集的依赖以及人工智能系统新型临床应用的出现，迫切需要开发评估人工智能系统性能的方法。需要适当的测试方法、指标、适当的训练/调整/验证研究设计和统计分析方法，以确保研究以最不繁琐的方式产生有意义、稳健和可推广的结果。这些要素是临床采用人工智能技术的关键。因此，《医学成像杂志》第 7 卷第 1 期的特别版块鼓励在这些主题领域提交相关投稿。人工智能对医学成像来说并不陌生。自 SPIE 医学成像研讨会成立之初，就一直有关于当时称为计算机辅助诊断 (CAD) 的演讲。计算机辅助诊断会议在规模更大的 SPIE 医学成像 (MI) 研讨会上于 2006 年启动。CAD 在乳房 X 光检查、肺部 CT 和胸部 X 光成像中的应用，如今都是成熟的商业产品，在本次会议上进行了早期阶段的讨论。SPIE MI 也是引入 CAD 算法评估新方法的场所，这一传统主要通过图像感知、观察者表现和技术评估会议延续下来。多年来，通过仔细阅读 SPIE MI 计划，读者可以看到 AI 算法开发以及 AI 评估方法的进展。AI 的新特点是计算能力的进步和大数据集的可用性，这使得深度神经网络 (DNN) 架构能够成功应用于各种医学成像任务。这些任务包括该领域中常见的应用，包括查找图像中的可疑区域以供读者再次查看，以及在 AI 的支持下对读者确定的可疑区域进行表征。DNN 正在应用于较新的任务，包括图像去噪、从高度稀疏或非常嘈杂的投影中进行完整图像重建、提醒用户注意高优先级病例以调整病例阅读顺序的分类系统、基于每个患者的 AI 选择的图像采集参数，以及用于在复杂成像场景中衡量图像质量的理想观察者的近似值。社区需要开发对于某些应用，AI 的性能已被证明达到或超越了专家级人类性能，因此，由 AI 系统取代临床医生的自动诊断可以说近在咫尺。此外，AI 所应用的成像模式范围非常广泛，从上面列出的 X 射线应用到光学、超声、MRI 和数字病理学，后者最近在 SPIE MI 研讨会上作为自己的会议主题引入。在广泛而多样的 AI 应用和适应症领域中，需要能够准确评估可推广到临床的设备性能的 AI 算法评估方法。需要方法来评估旨在作为辅助或第二读者超越 AI 标准范式的 AI 系统。我们需要方法来确定 AI 系统是否可以可靠地用于排除医生审查的图像（即部分替代临床医生），以及完全自动化诊断（无需人工参与）。
临床人工智能评估方法
主要关键词
相关文件推荐
