项目1：通过2D全视野数字乳腺X线摄影或合成图像进行自我分类

注意：此注册与 ASSIST 中的人类受试者注册相关联。 这又是 NCI 拨款 CA207490 的一部分。 该资助描述了许多拟议的实验，并指出许多其他实验可能会作为后续研究进行。 根据 NIH 的建议，研究人员将这些研究分为三项“研究”，每项都涵盖多项实验。 这里描述的实验是“研究 ID 386408 项目 1：放射科医生研究”的一部分。 对于已开始收集参与者的项目，无法通过 PRS 系统在 CT.gov 中注册一组实验，并且无法在没有 NCT 编号的情况下提交年度拨款报告 (RPPR)。 因此，研究人员在此描述了一项实验，该实验将成为“项目 1”研究包的一部分。

项目 1 的核心思想是，Os 有可能在简单查看 2D 图像后，或者可能在人工智能系统简单查看图像后，可靠地消除筛查乳房 X 光检查中的一组病例。 也就是说，临床医生和/或人工智能会查看图像并“肯定”知道那里什么都没有，并且愿意根据这种简短的查看来驳回或“分类”病例。 如果读者不能完全确定，该案件将会受到更多审查。

作为研究这个问题的开始，研究人员希望估计临床医生对病例进行分类的意愿如何，以及他们将如何与被要求对病例进行分类的人工智能进行交互。 任何分类实施的一个挑战将是让临床医生（更不用说律师等人）接受不查看图像/病例或短暂查看（例如，2D 图像）并且愿意不查看的想法。查看 3D 数字断层合成 (DBT) 图像。 研究人员在此报告的实验旨在成为研究这个问题的开始。 存在从“明显正常”到“明显异常”的连续情况。 调查人员希望估计该连续体上的一个点，低于该点的案件非常正常，以至于读者愿意让计算机对案件进行分类和/或愿意自己对案件进行分类。 也有可能有些病例非常异常，以至于可以仅通过计算机召回患者进行进一步检查，尽管研究人员并未研究这种病例的分类形式。 研究人员假设这些分类点将与计算机的正常评级和读者的评级相关。

方法：呈现 5 秒钟的双侧 2D 乳房 X 光照片。 时间限制的目的是限制放射科医生对病例的正常审查。 调查人员希望根据案件的“要点”做出决定。 为了模拟筛查性乳房 X 光检查中疾病的低患病率，150 例病例中只有 4 例呈阳性。 读者被告知这些病例模拟了筛查环境，因此他们知道阳性病例很少见，但他们不知道实际的患病率。

研究人员要求放射科医生针对最多 150 个单图像“病例”中的每一个回答两个问题。 （“最多 150 个”是因为放射科医生可以而且确实在未完成所有病例的情况下退出。 使用评级量表方法，研究人员询问：

1. 参与者如何确定这些图像来自正常病例？

   接下来，研究人员告诉读者“计算机将这些图像评为 X（满分 10 分）（10：存在癌症的可能性最高）”。 该 AI 值是由 Transpara 1.7.0 版本生成的真实异常评级，它返回检查的恶性肿瘤概率评分。 该评级由 Radboud U 的 Sarah Verboom 获得。

   然后调查人员询问读者是否认为计算机在没有进一步人工检查的情况下对案件进行分类是合理的。

2. 参与者是否愿意让计算机在不让参与者查看的情况下单独对这个案例做出决定？

Os 使用滑动条作为评分量表进行回答。 所选的评级显示在滑动条的顶部。

参加者：

这项研究的第一批观察者在欧洲放射学会议（ECR，维也纳，2023 年 3 月）组织的“流行实验室”进行了测试。 研究人员一直在组织这些实验室，为来自许多实验室的研究人员提供参加 ECR 等大型会议的机会，在那里他们可能能够对比在家里更多的放射科医生进行测试。 好处是能够吸引读者。 缺点是调查人员通常只能占用读者 15-30 分钟的时间。 因此，这个实验的读者是一群方便的人。 调查人员测试了 15 名读者。 这些人的经验差异很大。 调查人员询问他们估计每年阅读多少个筛查案例。 该数字从 0（已了解乳房 X 光检查但未实践的学生）到 8000 不等。 在时间/耐心耗尽之前，读者愿意为我们阅读的案例数量也各不相同。 范围为 19 至 148（平均 83 例）。 在现阶段，研究人员没有足够的能力确定这些变量是否对结果产生重要影响。 对于放射科医生等检测专家来说，这是一个长期存在的问题。 收集尽可能多的数据是极其困难的。 尽管如此，这些数据可以为我们提供有关决定图像分类成功或失败的因素的信息。