Vytváření algoritmů umělé inteligence (AI), které jsou více „lidské“, je klíčovým cílem v oblasti radiologie. Nedávná studie provedená v Lisabonu, Portugalsku, naznačuje, že integrace dat sledování pohybu očí do hlubokých algoritmů učení AI by mohla být řešením. Mapováním toho, jak radiologové interpretují rentgenové snímky pomocí dat o pohledu očí, mohou tyto algoritmy stát se více interpretovatelnými a transparentními ve svých rozhodovacích procesech.
Modely hlubokého učení (DL) prokázaly pozoruhodnou efektivitu v radiologických úkolech. Nicméně interní rozhodovací procesy zůstávají většinou neprůhledné, což vytváří problém „black-box“. K odstranění této mezery navrhuje studie integraci dat sledování pohybu očí získaných z studií s využitím hardwaru a softwaru pro sledování pohybu očí.
Výzkumníci se zaměřili na sakydy (rychlé pohyby očí při posunu pohledu) a fixace (období relativně možných očí) jako klíčové ukazatele pozornosti. Tito výzkumníci se prostřednictvím dat v pozornostních mapách snaží sladit znaky vybrané modely DL s charakteristikami obrázků, které radiologové považují za relevantní pro diagnózu.
Pro zkoumání optimálních metod integrace výzkumníci provedli systematický přehled a analyzovali 60 výzkumných prací. Adresovali otázky týkající se architektury a technik fúze pro integraci dat sledování pohybu očí, zpracování dat a způsoby, jak mohou data sledování pohybu očí podporovat vysvětlitelnost modelů DL.
Závěry studie naznačují, že začlenění dat o pohledu očí do modelů DL sladí vybrané znaky s interpretací radiologů charakteristik rentgenových snímků. Výsledkem jsou tedy interpretovatelnější modely a transparentní rozhodovací proces.
Tento výzkum poskytuje konkrétní odpovědi ohledně role dat o pohybu očí a nejlepšího způsobu jejich integrace do radiologických algoritmů DL. Jedná se o významný krok směrem k vytváření AI algoritmů, které lépe pomáhají v klinické praxi.
Začlenění dat sledování pohybu očí otevírá cestu pro technologie v oblasti radiologie, které se více zaměřují na člověka. Porozuměním způsobu, jak radiologové interpretují rentgenové snímky prostřednictvím pohybů očí, mohou AI algoritmy zlepšit svou diagnostickou přesnost a poskytnout cennou podporu při klinickém rozhodování.
Celkově má integrace dat sledování pohybu očí do algoritmů hlubokého učení AI potenciál zásadně změnit oblast radiologie a vytvořit více spolupracující a transparentní přístup k diagnostice za asistence AI.
The source of the article is from the blog dk1250.com