放射AI的可解釋性被認(rèn)為對于臨床采用至關(guān)重要

如果醫(yī)學(xué)AI算法表現(xiàn)良好，為什么要讓眾所周知的黑匣子破壞人們對它的信心?

或者，如5月27日發(fā)表在《放射學(xué)：人工智能》上的一篇觀點文章中所問的那樣：“為什么我們不應(yīng)該簡單地信任該模型而忽略為什么做出特定決定?”

當(dāng)前的問題是可解釋性，即人的大腦可以理解AI算法結(jié)論背后的邏輯的程度。

賓夕法尼亞大學(xué)放射學(xué)系的Despina Kontos博士和Aimilia Gastounioti博士都是針對同一天在同一期刊上發(fā)表的發(fā)現(xiàn)而寫的，他們都認(rèn)為這種可解釋性可能不是必不可少的，但無疑可以加快AI的發(fā)展。納入常規(guī)臨床實踐。

作者指出，對錯誤的決策或預(yù)測的一種可理解的解釋“可以幫助人們理解錯誤的原因，并為如何解決該錯誤提供指導(dǎo)。”

同時，對正確決策或預(yù)測的解釋“有助于驗證特定結(jié)論的邏輯，確保因果關(guān)系得到理解，并減輕了對混淆或偏見的潛在懷疑。”

無論哪種情況，“與“黑匣子”相比，放射科醫(yī)生和患者都更容易相信一個能夠解釋其決策(包括其失敗)的模型。”

Kontos和Gastounioti對同一天在同一期刊上發(fā)表的評論結(jié)果進(jìn)行了評論。

由瑞士伯爾尼大學(xué)的毛里西奧·雷耶斯(Mauricio Reyes)和同事們提出的研究結(jié)果是從放射科醫(yī)生對當(dāng)前主題的觀點中得出的，并包括以下三個基本要點：

放射人工智能(AI)系統(tǒng)通常具有許多計算層，這可能使人類難以解釋系統(tǒng)的輸出。

正在開發(fā)可解釋性方法，以便可以通過使用可視化，反例或語義來解釋AI系統(tǒng)。

通過增強(qiáng)其可解釋性，可以更好地驗證，信任并在放射醫(yī)學(xué)實踐中采用AI系統(tǒng)。