人工智能辅助时机对病理切片诊断性能和用户感知的影响

《Applied Ergonomics》：The effect of AI assistance timing on performance and user perceptions in pathological slide diagnosis

病理切片诊断中AI辅助的三种时间策略研究显示，预诊断（triage）、诊断中（concurrent）和后诊断（secondary）均优于无AI辅助，其中concurrent模式平衡效率与控制，secondary模式需注意时间成本。AI在标记可疑区域和提升效率方面获信任，但非最终决策工具。需优化透明性、减少偏见以促进采纳。

　　在医学诊断领域，人工智能（AI）的快速发展为病理学图像分析带来了新的机遇。尤其是在病理切片诊断方面，AI技术的应用正逐步改变传统的工作方式，提高诊断的准确性与效率。本研究旨在探讨在病理切片诊断过程中，AI辅助的三种时间模式对诊断表现、工作负荷以及用户偏好所产生的影响，并评估用户对AI辅助的整体信任度与使用体验。研究结果显示，无论是在诊断前、诊断中还是诊断后引入AI辅助，都能有效提升诊断质量并减轻医生的工作负担。然而，不同模式在用户体验和实际应用中也展现出各自的优缺点，需要根据具体场景进行权衡与选择。

随着深度学习技术的进步，AI在病理学领域的应用越来越广泛。它不仅能够帮助医生识别病变区域，还能在某些情况下预测疾病的发展趋势，从而为制定更精确和及时的治疗方案提供支持。此外，AI还能够自动化处理大量重复性的图像分析任务，使医生能够将更多的时间和精力投入到更高层次的决策过程中。尽管如此，AI在病理诊断中的应用仍面临一些挑战，其中最关键的问题之一是用户对AI的信任度。由于AI系统的“黑箱”特性，即其决策过程缺乏透明度，医生往往难以理解AI是如何得出结论的，这在一定程度上影响了他们对AI辅助的接受程度。

在本研究中，我们设计了一项实验，邀请来自中国多家医院的108名细胞病理学家参与。这些参与者具有不同层次的经验，包括87名女性和21名男性，平均年龄为37.9岁，标准差为7.5岁。他们平均拥有7.8年的常规细胞病理诊断经验，标准差为5.7年。所有参与者在实验前都签署了知情同意书，该过程符合中国医学科学院与北京协和医学院伦理审查委员会的批准流程。实验的主要目的是比较三种AI辅助的时间模式：诊断前的筛选模式（triage mode）、诊断中的实时建议模式（concurrent mode）以及诊断后的复查模式（secondary mode）。我们希望通过这一研究，为未来AI病理诊断工具的设计和推广提供有价值的参考。

在诊断前的筛选模式中，AI被用来预先过滤那些被其判断为阴性的切片，仅将可能为阳性的切片提交给人类医生进行详细分析。这种模式显著提高了诊断效率，使医生能够专注于更具挑战性的病例。然而，这种方法也引发了关于信任和透明度的担忧。由于AI在初步筛选过程中承担了较大的决策权，医生可能会对其判断产生怀疑，尤其是在AI出现误判的情况下。此外，这种模式可能会限制医生对诊断过程的控制，使其在面对AI的错误或遗漏时难以及时调整策略。

相比之下，诊断中的实时建议模式则是在医生进行诊断的同时，AI提供即时的辅助信息。这种模式赋予了医生更大的控制权，使他们能够在分析过程中灵活地参考AI的建议。然而，AI的实时输入也可能导致医生的注意力和决策偏向于AI的提示，从而影响其独立判断能力。特别是在AI的性能未能达到高水平专家水平的情况下，这种模式可能会加剧医生对AI的依赖，进而影响其专业技能的培养。因此，在实际应用中，需要在AI建议的频率和强度上进行适当的调整，以避免过度依赖。

诊断后的复查模式则是AI作为“校对者”，在医生完成初步诊断后对其结果进行复查并提供反馈。这种模式赋予了医生最大的自主权，因为他们可以在AI介入之前独立完成所有切片的分析。然而，这种方式可能增加医生的工作量，因为他们需要额外的时间来接受AI的反馈并重新评估自己的诊断。此外，由于AI的辅助功能仅在诊断完成后才被引入，它无法在诊断过程中发挥更大的作用，这在一定程度上削弱了其在提升诊断效率方面的潜力。

实验结果表明，所有三种AI辅助模式在诊断表现和工作负荷方面都优于无AI辅助的情况。然而，用户对这些模式的偏好存在差异。诊断前的筛选模式虽然在效率和性能方面表现突出，但用户对其透明度和可信赖度存在较大疑虑。诊断中的实时建议模式则在平衡效率与医生控制方面得到了较高的评价，尽管其可能导致医生过度依赖AI。诊断后的复查模式虽然在减少偏见和辅助培训方面具有优势，但其对医生工作负荷的影响较大，且未能充分发挥AI在诊断过程中的潜力。

从用户的反馈来看，AI被视为一种有价值的工具，特别是在帮助医生识别可疑区域方面。然而，用户普遍认为AI不应替代人类专家的最终判断。在使用AI辅助工具后，用户对AI的依赖程度有所下降，但他们对AI的可用性和信任度仍然保持在中等偏高的水平。这表明，虽然AI能够提供有用的辅助信息，但医生仍然需要在关键决策环节保持独立判断能力。

为了提高AI辅助工具的接受度和使用效果，研究者建议在设计过程中应注重信息的呈现方式，避免引入偏见。同时，应根据用户的反馈调整AI的敏感性和特异性，以确保其在不同应用场景下的适用性。此外，提高AI系统的可解释性对于增强医生对AI的信任至关重要。通过提供清晰的决策依据和解释，AI可以更好地融入医生的诊断流程，从而实现人机协作的最大化。

总的来说，AI在病理切片诊断中的应用具有广阔的前景，但其成功依赖于合理的使用模式和有效的设计策略。本研究的结果不仅揭示了不同AI辅助时间模式对诊断表现和用户体验的影响，还为未来的AI病理诊断工具提供了重要的设计方向。通过优化AI的信息呈现方式、平衡其敏感性和特异性以及提高系统的可解释性，可以进一步增强医生对AI的信任，推动其在临床实践中的广泛应用。未来的研究可以进一步探索不同AI模式在不同医疗环境下的适用性，以及如何通过技术手段提高AI的透明度和可解释性，从而更好地服务于医疗诊断工作。