人类和人工智能协作进行肺结节分割

医学专家注释者稀缺，盲目依赖人工智能 (AI) 可能会产生误导，从而激发人类（尤其是初级医学实习生甚至非医务人员）与人工智能合作以实现强大的医疗分割的方法。尽管分段任意模型 (SAM) 在通用图像分割方面显示出前景，但其在专门医疗任务的人机协作中的性能尚未得到彻底评估。在这里，我们介绍 Hi-Seg，一种基于 SAM 的肺结节人机循环分割框架。人类通过试错学习和语义推理迭代地完善提示，逐步引导 SAM 获得更高质量的掩模。我们利用 12 个中心 1,179 名患者的胸部 CT 扫描，对人类 SAM 协作分割进行了首次大规模外部验证。在所有注释器组中，Hi-Seg 的平均 Dice 分数接近 85%，比 5 个最先进的深度学习模型高出 10-22%，比 13 个 SAM 变体高出 1-29%。 Hi-Seg 提高了分割准确性，同时减少了医学注释者的注释时间，并且经过短暂培训的非医学注释者取得了与初级医学生相当的性能。这些发现表明，人机交互分割可以减少临床医生的工作量，实现可扩展的众包注释，并通过促进基础模型安全有效地集成到常规临床实践中来改变临床工作流程。