编辑推荐：
在结肠镜检查中，AI 虽能提升腺瘤检出率，但内镜医师与 AI 协作问题研究较少。研究人员开展 “Eye - tracking dataset of endoscopist - AI teaming during colonoscopy: Retrospective and real - time acquisition” 研究，建立数据集分析眼动变化，为研究 AI 算法提供数据支持，助力理解人机协作。
近年来，人工智能（AI）在医学领域大放异彩，尤其是在结肠镜检查的计算机辅助检测（CADe）和诊断（CADx）中，发挥着越来越重要的作用。有效的 AI 系统能显著提升内镜检查的性能，辅助医师减少息肉漏检，协助病变特征判断，还能提供教学反馈，优化内镜检查流程。大量随机对照试验（RCTs）表明，AI 融入结肠镜检查可大幅提高腺瘤检出率（ADR）。
然而，随着 AI 在结肠镜检查中的应用逐渐从理论走向临床实践，新的问题也接踵而至。目前，关于内镜医师与 AI 在实际临床环境中如何协作，相关研究少之又少。而且，现有的研究大多依赖回顾性视频片段分析内镜医师的视觉模式，无法捕捉结肠镜检查实时、动态的特点，内镜医师在操作时需要一边操控结肠镜，一边在屏幕上识别病变，AI 的融入更是让这个过程变成了人机协作的复杂互动，实时决策和互动至关重要。为了解决这些问题，来自复旦大学附属中山医院内镜中心和内镜研究所等机构的研究人员开展了一项别具一格的研究，相关成果发表在《Scientific Data》上。
研究人员建立了一个独特的数据集，旨在分析结肠镜检查退镜过程中内镜医师眼动的变化。该数据集包含两个子集，一个是内镜医师回顾性查看视频片段时的眼动追踪数据，另一个是内镜医师在实际退镜过程中的实时眼动追踪数据，且这部分数据分别采集了有 CADe 辅助和无辅助两种情况下的信息。
为了构建这个数据集，研究人员采取了一系列严谨的技术方法。在回顾性数据集采集方面，从复旦大学附属中山医院内镜中心收集了 2020 年 12 月至 2021 年 12 月的结肠镜检查视频，选取 60 个约 30 秒长的视频片段，其中 41 个含息肉，19 个不含。由两位经验丰富的内镜医师达成诊断共识后，随机排列片段，中间以 2 秒黑屏间隔，组成总时长 33 分 23 秒的视频。利用 Tobii Pro Nano? 眼动仪，在 15.6” 全高清显示器上展示视频，模拟真实诊断环境，让 26 位不同专业水平的参与者（包括 6 位资深内镜医师、8 位新手内镜医师、8 位内镜护士和 4 位研究生）观看视频并进行诊断，同时记录眼动数据 。在前瞻性实时数据集采集上，2024 年 2 月至 3 月在同一内镜中心收集数据，使用相同内镜设备，患者随机分为常规组和 CADe 辅助组，利用眼动仪采集眼动数据。
在研究结果部分，通过对不同组别的眼动指标分析，发现了诸多有趣的现象。在反应时间方面，资深内镜医师比其他组反应更快，而且 CADe 系统总体上提高了内镜医师的反应时间，对经验较少的医师提升更为显著。在检测息肉时，内镜医师的注视点常集中在屏幕的特定区域，如 Ring 2，并且在水平方向上，由于检查屏幕位于整体显示右侧，左侧有部分黑色区域，所以左侧的注视点比右侧更多。在检测率上，不同组在有 CADe 辅助和无辅助情况下各有差异。
从研究结论和讨论来看，该研究成果意义非凡。这个数据集填补了现有研究的空白，不仅纳入了实时数据，更全面地反映了动态导航中的认知和运动需求，还涵盖了更大、更多样化的样本，以及 CADe 辅助和无辅助的多种实验条件，有助于深入分析 AI 系统对内镜医师在复杂临床工作流程中的影响，为未来理解内镜检查中的人机协作奠定了坚实基础，为优化结肠镜检查流程、提升医疗质量提供了有力的数据支持和理论依据。
