以人为中心的放射学人工智能个性化：评估信任度、可用性与跨医院稳健性

文献标题

Human-Centered Personalization in Radiology AI: Evaluating Trust, Usability, and Cross-Hospital Robustness

出版信息

• 主题领域: 面向医疗影像诊断的人本主义人工智能
• 关键词: 放射学AI, 联邦学习, FFT协调, CLIP个性化, 跨医院鲁棒性, 可解释性, 患者信任, 工作流集成, 医疗影像, 公平性

背景与问题

• 问题/挑战: 不同医院之间影像设备和协议的差异性削弱了诊断的可靠性、可解释性以及对AI系统的信任度。现有的联邦学习方法未能有效应对临床异质性，也未提供足够的个性化和透明性。
• 重要性: 解决这些挑战对于在医疗领域公平且可信地采用AI至关重要，确保跨机构诊断的一致性，同时保留临床医生的自主权和患者的信心。
• 动机与相关研究: 之前关于联邦学习和领域适应性的研究在隐私保护和泛化能力方面有所改进，但仍不足以应对临床异质性或整合以人为中心的设计原则。医疗AI系统通常缺乏可解释性，难以契合临床医生的工作流或满足患者的期望，导致在可用性和信任方面存在缺口。

解决方案

• 提出的方法: 提出一种结合基于FFT的频谱协调和基于CLIP的指令条件个性化的联邦学习框架，以提高跨医院的诊断鲁棒性、可解释性和公平性。
• 创新点:
  1. 集成基于FFT的频谱协调，减少设备引起的差异，同时保留解剖学的真实性。
  2. 基于CLIP的个性化，使临床医生能够通过自由文本指令引导诊断输出。
  3. 多层次评估，展示技术性能、临床医生可用性和患者信任在不同医院和多种影像模式下的表现。
• 流程与关键技术:
  • FFT协调基于影像组学描述符调整振幅频谱，同时保留相位信息以确保结构真实性。
  • CLIP嵌入将文本指令与重建图像对齐，实现输出的语义引导。
  • 联邦学习聚合各医院的加密模型更新，确保隐私的同时提升泛化能力。
  • 评估包括诊断准确性、临床医生工作流集成以及以患者为中心的结果，覆盖四家医院和多种影像模式。

结果

• 具体发现:
  • 诊断准确性在多个任务中显著提升：息肉检测（0.88 ± 0.02）、肩袖撕裂诊断（0.85 ± 0.03）、气胸分类（0.89 ± 0.02）以及乳腺癌分割（Dice = 0.82）。
  • 基于CLIP的个性化提高了文本与图像的对齐度（0.72 对比未个性化的 0.61）。
  • 重建延迟在2.3–6.2秒之间，符合临床可接受范围。
• 相较基线的优势:
  • FFT协调使跨站点性能提高了3–5%，而CLIP个性化增加了2–4%的增益。
  • 在设备变异性下，鲁棒性保留了91%的基线性能，而传统联邦学习仅为77%。
• 实验/评估:
  • 在四家医院中进行多层次评估，涵盖内镜、超声、X光和CT等模式，参与者包括15名放射科医生和50名患者。
  • 通过问卷和访谈评估临床医生工作流兼容性、可解释性和患者信任。
  • 留一医院外测试验证了跨机构的泛化能力。
• 局限性与未来工作:
  • 在更多医院和设备上的外部验证有限。
  • 对临床医生提供的指令存在依赖性，其清晰度可能有所不同。
  • 需要开发医学专用的CLIP变体并扩展公平性审计。
  • 需开展前瞻性试验以衡量下游临床影响和工作流集成。

总结

本文提出了一种结合FFT协调和基于CLIP个性化的联邦学习框架，旨在解决放射学AI中跨医院的变异性问题。该系统在提高诊断准确性、可解释性和公平性的同时，保护隐私并保留临床医生的自主权。多层次评估显示其在多种模式和机构中的表现具有鲁棒性，并显著提升了患者信任和减轻了焦虑。未来工作将扩展验证范围，加强公平性审计，并优化解释界面以支持在临床实践中的更广泛应用。