人工智能工具的具体原因确认失败的例子。轴向图像在L1的层面上,没有与(右)(左)和细分覆盖。红色表示骨骼肌,绿色表示骨小梁,黄色表明内脏脂肪,和蓝色表明皮下脂肪。分割区域还包括肝(米色)和脾(橙色),而不是评估现状分析的一部分。(A) 78岁的女性接受了abdominopelvic CT在外部机构。骨骼工具返回L1椎体骨衰减-146 HU以外的参考范围。因此,工具被认为是技术故障对骨骼工具。失败是由于体积平均片内的真空现象。(B) 64岁的女性接受了abdominopelvic CT在外部机构。骨骼工具返回椎体骨胡-10000年衰减(默认值分割失败检测工具),外部的参考范围。 Thus, tool was deemed technical failure for bone tool. Failure was attributed to presence of spinal fusion hardware.
2023年2月22日—根据公认的手稿发表在加勒比海盗的美国放射学杂志》(杂志)人工智能工具,某些原因失败相关技术因素可能通过适当的采集和重建的协议很大程度上是可以预防的。
“自动人工智能身体成分的工具有很高的技术充足率利率在异构的外部CT检查样本,支持工具的普遍性和潜在的广泛使用,”首席研究员总结道b·达斯汀池,医学博士威斯康辛大学医学与公共卫生学院在麦迪逊。
这杂志接受的手稿包括8949名患者(平均年龄55.5岁;4256名男性,4693名女性),他们接受腹部CT-performed在不同机构在不同的扫描仪从不同manufacturers-subsequently转移到当地pac的临床用途。部署三个独立的自动化人工智能工具来评估身体成分通过骨衰减,肌肉量和衰减,以及内脏和皮下脂肪,一轴系列检查评估。
最终,三个完全自动化的AI工具测量身体成分(椎骨骼、体壁肌肉和内脏和皮下腹部脂肪)技术充足率97.8% - 99.1%的利率池等的样本11699年外部腹部CT777种不同的外部机构检查中使用82种不同的扫描仪模型从6不同的制造商。
指出失败的原因还包括内在因素的病人更有挑战性的控制,“explainability和失败原因的理解可以帮助建立信任在人工智能工具,增加接受放射科医生和其他医生,”这杂志接受的手稿的作者补充道。
更多信息:www.arrs.org
2023年4月5日
