프로젝트 1: 2D 전체 필드 디지털 유방조영술 또는 합성 이미지를 통한 자가 진단

참고: 이 등록은 ASSIST의 인간 피험자 등록에 연결됩니다. 이는 NCI 보조금 CA207490의 일부입니다. 이 보조금은 많은 제안된 실험을 설명하고 다른 많은 실험이 후속 연구로 수행될 수 있음을 언급합니다. NIH의 제안에 따라 연구자들은 이러한 연구를 세 가지 "연구"로 그룹화했으며 각 연구는 여러 실험을 다루고 있습니다. 여기에 설명된 실험은 "연구 ID 386408 프로젝트 1: 방사선과 연구"의 일부입니다. CT.gov의 PRS 시스템을 통해 일련의 실험을 등록할 수 없으며 참가자 모집을 시작한 프로젝트에 대해 NCT 번호가 없으면 보조금(RPPR)에 대한 연간 보고서를 제출할 수 없습니다. 따라서 조사자들은 여기에서 "프로젝트 1" 연구 묶음의 일부가 될 하나의 실험을 설명하고 있습니다.

프로젝트 1의 핵심 아이디어는 Os가 2D 이미지를 잠시 본 후 또는 잠재적으로 AI 시스템이 이미지를 간략히 본 후에 선별 유방 조영술에서 일련의 사례를 확실하게 제거할 수 있다는 것입니다. 즉, 임상의 및/또는 AI는 이미지를 보고 "확실히" 거기에 아무 것도 없다는 것을 알고 이 짧은 보기를 기반으로 사례를 기꺼이 기각하거나 "분류"할 것입니다. 독자가 완전히 확신하지 못한다면 사건은 더 면밀히 조사될 것입니다.

이 문제를 살펴보기 위한 시작으로 조사관은 임상의가 사례를 분류할 의사가 있는지, 사례 분류를 요청받은 AI와 어떻게 상호 작용할 것인지 추정하기를 원했습니다. 분류의 구현에 대한 도전은 임상의(변호사 등은 말할 것도 없고)가 이미지/사례를 보지 않거나 2D 이미지를 간단히 보고 3D 디지털 단층영상합성(DBT) 이미지를 보십시오. 여기에서 조사자들이 보고한 실험은 이 문제를 연구하기 위한 시작점이 될 것입니다. "분명히 정상"에서 "분명히 비정상"까지 사례의 연속체가 있습니다. 조사관은 사례가 매우 정상적인 연속체에서 독자가 컴퓨터가 사례를 분류하도록 허용하거나 스스로 사례를 분류할 의향이 있는 지점을 추정하기를 원했습니다. 너무 비정상적이어서 컴퓨터만으로 추가 검사를 위해 환자를 불러올 수 있는 경우도 있을 수 있습니다. 연구자들은 이러한 분류 포인트가 컴퓨터의 정상 등급과 독자의 등급 모두와 관련이 있을 것이라고 가정합니다.

방법: 양측 2D 유방 X선 사진을 5초 동안 제시합니다. 시간 제한은 방사선 전문의가 사례에 제공하는 일반적인 조사를 제한하기 위한 것입니다. 수사관들은 사건의 "요지"에 근거한 결정을 원합니다. 선별 유방조영술에서 질병의 낮은 유병률을 모방하기 위해 150건 중 4건만 양성입니다. 독자는 사례가 선별 설정을 모방하여 양성 사례가 드물다는 것을 알지만 실제 유병률은 알려주지 않습니다.

조사관은 방사선 전문의에게 최대 150개의 단일 이미지 "사례" 각각에 대해 두 가지 질문에 답하도록 요청합니다. (방사선 전문의가 모든 경우를 완료하지 않고 종료할 수 있고 중단할 수 있기 때문에 "최대 150". 평가 척도 방법을 사용하여 조사관은 다음과 같이 질문합니다.

1. 참가자들은 이 이미지가 정상적인 사례에서 나온 것이라고 얼마나 확신합니까?

   다음으로 조사관은 독자들에게 "컴퓨터가 이 이미지를 10점 만점에 X점으로 평가했습니다(10: 암이 존재할 가능성이 가장 높음)"이라고 말합니다. 이 AI 값은 Transpara 버전 1.7.0에서 생성된 비정상의 실제 등급으로, 검사를 위해 악성 가능성 점수를 반환합니다. 등급은 Radboud U의 Sarah Verboom이 획득했습니다.

   그런 다음 수사관은 수사관에게 컴퓨터가 사람의 추가 조사 없이 사건을 분류하는 것이 합리적이라고 독자가 생각하는지 물었습니다.

2. 참가자들이 컴퓨터를 보지 않고 혼자 이 경우에 대한 결정을 내릴 수 있도록 참가자들은 얼마나 의향이 있습니까?

Os는 평가 척도 역할을 하는 슬라이딩 막대를 사용하여 대답했습니다. 선택한 등급이 슬라이딩 바 상단에 표시되었습니다.

참가자들:

이 연구의 첫 번째 관찰자는 European Conference of Radiology(ECR, Vienna, 2023년 3월)에서 조직된 'pop-lab'에서 테스트를 받았습니다. 조사관들은 많은 연구실의 연구원들이 집에서보다 더 많은 수의 방사선 전문의를 테스트할 수 있는 ECR과 같은 큰 회의에 올 수 있는 기회로 이 연구실을 조직해 왔습니다. 장점은 독자에 대한 액세스입니다. 단점은 조사자가 일반적으로 독자 시간의 15-30분만 얻을 수 있다는 것입니다. 따라서 이 실험의 독자는 편리한 집단이었습니다. 조사관은 15명의 독자를 테스트했습니다. 이들은 경험이 매우 다양했습니다. 수사관들은 그들이 매년 읽는 것으로 추정되는 선별 검사 사례 수를 물었습니다. 이것은 0(유방조영술에 대해 배웠지만 실제로는 하지 않은 학생)에서 8000까지 다양했습니다. 독자들은 또한 시간/인내력이 다 떨어지기 전에 우리를 위해 기꺼이 읽어주는 경우의 수에 따라 다양했습니다. 범위는 19~148건(평균 83건)이었습니다. 이 단계에서 조사관은 이러한 변수가 결과에 중요한 영향을 미치는지 확실하게 말할 수 없습니다. 이것은 방사선 전문의와 같은 검사 전문가의 고질적인 문제입니다. 원하는 만큼의 데이터를 수집하는 것은 매우 어렵습니다. 그럼에도 불구하고 이러한 데이터는 이미지 분류의 성공 또는 실패를 결정하는 요소에 대한 정보를 제공할 수 있습니다.