Optimizing AI Onboarding in Radiology: Impact of Training Case Number Using Multiple Sclerosis Lesions on 3D FLAIR, a pilot study
这项涉及十三名放射科临床医生的初步研究表明，通过三个具有代表性的 3D FLAIR MRI 多发性硬化症训练病例进行入职培训，能显著增强用户的信心与自主性，并减少对支持的需求，与使用较少病例进行培训相比，在效率与有效性之间提供了更优的平衡。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在放射科医生检查脑部扫描图像的那些安静且光线昏暗的房间里，一种新型的伙伴正开始出现。几十年来，这些专家一直依靠自己经过训练的双眼，在人类大脑复杂的结构中寻找微小且微妙的疾病征兆。现在，人工智能提出了协助方案，充当第二双眼睛，能够快速标出令人关注的区域，例如多发性硬化症引起的病灶。然而，将一种强大的新工具引入高风险的医疗工作流程并不像拨动开关那样简单。挑战不仅在于技术本身，更在于人类如何学习信任并与之协作。如果医生没有得到妥善的软件介绍，他们可能会忽略其有益的建议，或者相反，过度盲目地依赖它，从而可能遗漏错误。医院和培训项目面临的关键问题是，如何教导这些临床医生有效地使用这一工具。仅仅进行一次快速概览是否足够，还是医生需要看到各种各样的案例，才能真正理解该系统在不同情况下的表现？
苏黎世大学医院最近开展的一项试点研究旨在回答这个特定的问题。研究人员想要了解，在医生培训期间展示的练习案例数量，是否比总培训时长更为重要。他们专注于一种专门用于检测 3D FLAIR MRI 脑部扫描中多发性硬化症相关病灶的特定软件工具。为了找到答案，他们召集了十三名放射科临床医生，其资历涵盖了从职业生涯初期的医生到经验丰富的资深医生。这些志愿者被随机分为三组。每组都接受了相同的十分钟教程来了解软件的工作原理，但他们在学习过程中查看的患者病例数量各不相同。一组使用一个病例进行练习，另一组使用两个，第三组则使用三个。这些病例经过精心挑选，代表了该疾病的完整光谱，从轻微到严重不等，以确保医生能够看到该软件可能遇到的真实多样性。
在培训环节结束后，临床医生进入了独立的测试阶段。在没有任何进一步指导的情况下，他们被要求使用该软件审查三个新的标准化患者病例。在此期间，研究人员仔细记录了培训耗时、医生在学习过程中提问的数量，以及他们在独立工作时需要提问的数量。他们还要求医生在 1 到 5 分的量表上为自己使用该工具的信心程度进行评分。结果揭示了一个清晰的模式。仅用一个病例进行培训的一组完成入职引导最快，仅用了十二分钟多一点。然而，当他们尝试独立工作时，表现最为挣扎，平均每个病例要提问五次以上，并且报告的信心水平最低。使用两个病例进行培训的一组学习时间稍长，但表现仍不一致，其中一些医生需要大量帮助，而另一些则需求较少。
使用三个病例进行培训的一组则讲述了不同的故事。尽管他们的初始培训环节耗时最长，达到了二十六分三十八秒，但他们在独立工作时表现最好。他们在独立审查期间提问最少，平均每个病例仅提问三个半问题，并且报告了最高的信心水平。研究人员发现，这一组投入的额外十四分钟培训时间带来了回报，使医生变得更加自立，并且在后期对支持的需求减少。有趣的是，研究表明，医生的既往从业年限并不能预测他们适应新工具的效果。即使是最资深的临床医生，也需要像初级同事一样接受针对多个病例的结构化接触，才能感到自信并高效工作。
研究结果表明，为了使人工智能工具在医学领域真正发挥作用，向用户介绍它们的方式至关重要。仅仅向医生展示一次软件如何运作是不够的；他们需要看到一小组多样化的示例，以建立关于系统行为的稳固心理模型。研究表明，通过侧重于案例多样性而非侧重于速度的稍长培训课程，可以培养出比匆忙培训更胜一任且更有信心的使用者。虽然这是一个小规模的模拟实验，并非该工具在每家医院中都能发挥作用的最终证明，但结果指向了一个实际的解决方案：在前期投入一点更多的时间，向医生展示几种不同的场景，可以引导未来更顺畅、更安全且更有效的智能化应用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。