利用眼动追踪技术和机器学习来识别放射医生的研究案例
通过眼动追踪作为替代文本报告的方法,我们可以 passively 收集放射科医师在阅读和诊断医学图像时的视觉关注和临床推理,从而在医学图像领域中改善对比度预训练的有效性。我们提出了医学对比度视线图像预训练(McGIP)作为对比度学习框架的即插即用模块,通过放射科医师的注视来指导对比度预训练,实验结果表明了 McGIP 的实用性,显示其在各种临床场景和应用中具有很高的潜力。
Dec, 2023
利用眼球追踪技术提取医学图像中有意义的特征和洞察力,以改进医疗诊断的方法。通过整合人类认知和人工智能发展,将眼球追踪数据与机器学习和深度学习方法相结合,提高医学图像分析的准确性和效率。该系统性综述研究着眼于探索通过眼球追踪应用和方法来增强医学图像分析中的机器学习和深度学习算法。
Mar, 2024
本文提出了一种新颖且统一的可控解释性流程,用于解码胸部 X 射线(CXR)诊断中放射科医师的密集关注点,通过捕捉放射科医师凝视的强度,提供了对放射学解释过程的认知过程的洞察。
Sep, 2023
本研究探讨了医疗影像分析中的人工智能系统的公平性问题,特别是围绕判定偏见和校准偏见的研究,并展示了通常使用的多种校准指标对样本量存在系统性偏差的情况,如果未考虑到这一点,可能会导致错误的公平性分析。
May, 2023
通过整合医生的眼动数据以及文本提示,利用视觉 - 语言模型(VLMs)来增强胸部 X 射线分析中的人机交互,从而提高计算机辅助诊断在医学图像任务中的准确性。
Apr, 2024
利用计算机视觉预测医学图像中的人眼注视路径,通过大型数据库生成热度图和眼动视频以协助综合分析,并与最先进的方法相比较其性能和普适性。
Jun, 2024
本文基于卷积神经网络提出了一个新的注视序列比较方法,通过图像分析来探索医学专家和新手在阅读牙齿放射图时眼动行为的差异,结果表明在任务语义影响下,该方法在能够准确区分专家和新手方面表现出较好性能,并且具有将任务语义与眼动行为结合在一起的潜力。
Mar, 2020
提出了一种基于医学专家注意力的新型数据增强方法 FocusContrast,它考虑疾病相关的异常信息,通过模仿医学专家的视觉注意力生成对比视图,可在膝关节 X 射线数据集的分类准确性上比现有的自监督学习方法如 SimCLR,MoCo 和 BYOL 提高了 4.0 ~ 7.0%。
May, 2023
本文提出了一项新颖的任务,即追踪人类学习者在进行挑战性的视觉分类任务时不断演变的分类行为,提出了一种新的视觉知识追踪模型,并收集三个挑战性的新数据集,从而评估不同的视觉知识追踪方法的性能,结果表明我们的循环模型能够预测人类学习者在三个挑战性的医学图像和物种识别任务中的分类行为。
Jul, 2022
人工智能在医学影像应用中取得了专家级性能。然而,研究发现目前的视觉语言基础模型在胸部 X 射线诊断中普遍存在算法公平性问题,导致偏见对待历史上被边缘化的群体,并延迟特定人群的重要医疗护理,严重加剧现有的护理差异,对公平医疗保障带来挑战。
Feb, 2024