文献速递乳腺乳腺X线

患者对人工智能用于判读筛查性乳腺X线摄影的认知:一项调查研究

Patient Perception of Artificial Intelligence Use in Interpretation of Screening Mammograms: A Survey Study.
PubMed 文献 · Radiol Imaging Cancer · 2025-01-01

该前瞻性调查研究纳入了518例接受筛查性乳腺X线摄影的患者,评估其对人工智能(AI)判读的接受度。71.0%的参与者倾向于AI作为第二阅片者,仅4.44%接受AI独立判读;受教育程度高和自报AI知识水平高与更高的AI接受度相关。

要点

  • 多数患者(71.0%)支持AI作为第二阅片者,仅4.44%接受AI独立判读。
  • AI报告异常后,88.9%的参与者要求放射科医师复核;放射科医师召回后,51.3%要求AI复核(P<.001)。
  • 受教育程度高于大学者(OR 2.05)及自报AI知识更高者(OR 2.31)更可能接受AI判读。

核心结论

  • AI作为筛查性乳腺X线摄影的第二阅片者被参与者接受,参与者的种族和受教育程度与AI接受度显著相关。

研究设计与样本

  • 前瞻性、经机构审查委员会批准的调查研究,纳入2023年2月至2023年8月在本机构接受筛查性乳腺X线摄影的患者518例(共3495例中518例参与,占14.82%)。
  • 使用29个问题的调查问卷(英文或西班牙文),评估六个域:技术验证、程序知识、能力、效率、个人互动和问责。

关键影像表现/征象

  • 参与者中72.8%(377/518)年龄在40至69岁,50.6%(262/518)为非西班牙裔白人,67.0%(347/518)至少为大学毕业生。
  • 76.5%(396/518)报告对AI的知识为无或极少;仅0.19%(1/518)自认为AI专家。

诊断标准与关键数值

  • 4.44%(23/518)的参与者接受AI独立判读筛查性乳腺X线摄影,71.0%(368/518)倾向于AI作为第二阅片者。
  • AI报告异常筛查后,88.9%(319/359)要求放射科医师复核;放射科医师召回后,51.3%(184/359)要求AI复核(P<.001)。
  • AI与放射科医师召回不一致时,同意进行诊断性检查的比例:放射科医师召回94.2%(419/445) vs AI召回92.6%(412/445),P=.20(差异无统计学意义)。

临床应用与阅片要点

  • 患者主要支持AI作为第二阅片者而非独立判读者,放射科医师在AI报告异常后的复核对患者很重要。

局限性

  • 本研究为单中心前瞻性调查研究,参与率为14.82%(518/3495),可能存在无应答偏倚。
全文中译19 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Imaging Cancer. 2025 Apr 18;7(3):e240290. doi: 10.1148/rycan.240290

摘要

在筛查性乳腺X线摄影中使用人工智能主要被患者支持作为第二读片者,尽管存在对失去人际互动、隐私、透明度和偏倚的担忧。

要点

■ 在518名接受调查的参与者中,仅有23名(4.44%)能够接受其筛查性乳腺X线摄影图像仅由人工智能(AI)解读,而368名(71.0%)更倾向于将AI用作第二读片者。

■ 与教育程度较低和AI知识较少的参与者相比,拥有大学以上学历(比值比[OR] 2.05,95% CI:1.31,3.20;P = .002)或自报AI知识较高(OR 2.31,95% CI:1.51,3.53;P < .001)的参与者更可能同意使用AI解读其筛查性乳腺X线摄影图像。

引言

现代人工智能(AI)在放射学中的整合具有彻底改变医学影像的潜力,可改善患者结局、日常工作流程和效率(1–5)。在各种成像模式中,筛查性乳腺X线摄影因其在各机构间标准化的方案以及大量分类放射学和病理学结局数据而尤为适合AI应用,这有助于开发和验证稳健的AI算法。与传统计算机辅助检测系统受限于需要人工提取特征不同,现代AI系统使用深度学习来自主识别和学习大型数据集中的复杂模式,从而提高诊断准确性和效率。然而,现代AI在乳腺影像中的应用尚未被广泛采用,原因在于若干挑战远远超出了开发和评估阶段,例如围绕数据隐私、安全性、算法透明度、偏倚和伦理问题的担忧(6,7)。尽管这些临床实施方面的挑战此前已被识别并提出各种缓解策略,但患者的视角和接受度常被忽视。

此前一项定性研究(8)探讨了患者对AI在放射学中使用的看法,强调了诸如技术验证、程序知识、能力、效率、人际互动和问责等关注领域。该研究得出的六个领域后来被Ongena等(9)用于制定标准化问卷。患者表示希望充分了解影像数据将如何以及哪些数据将被使用,并认为在信任AI之前需要监管框架。另一项发现是患者需要人际互动,主要是在传达其结果时(9)。总体而言,该研究显示患者对AI在放射学中的使用并不乐观,至少在预先确定的六个领域中如此(9)。

在最近两项专门针对乳腺影像学的研究(10,11)中,研究人员对女性进行了调查,以评估她们对使用人工智能(AI)解读筛查性乳腺钼靶照片的态度。两项研究的结果均表明,患者支持使用AI辅助放射科医生解读乳腺钼靶照片,但不支持将其作为唯一的解读方。关于诊断错误情况下的责任归属,对于应由放射科医生还是公司(即AI系统的开发者)承担责任,未达成共识。多数受访者(52.8%,418/800)认为放射科医生和开发者均应对错误承担责任(11)。有趣的是,对追究放射科医生责任持中立态度的受访者较少重视个人互动(10)。

在乳腺影像学——乃至整个放射学领域——成功实施AI需要仔细考虑患者对其效用的认知,因为患者是该过程中最重要的关键利益相关者之一。在美国乳腺钼靶筛查项目中患者对AI实施的接受程度,以及在此背景下与对AI实施持更积极态度相关的因素,仍不确定。我们假设患者的人口统计学特征、教育水平及既往筛查召回经历可能与其对乳腺钼靶筛查项目中AI实施的接受程度相关。在本研究中,我们旨在更好地了解患者对使用AI解读筛查性乳腺钼靶照片的意见和顾虑,并识别与更积极接受态度相关的因素。

材料与方法

本研究是一项经机构审查委员会批准、符合《健康保险可携性与责任法案》的前瞻性调查研究,因本研究不会收集任何受保护的健康信息而获得知情同意豁免。

研究参与者

根据美国民意研究协会指南,2023年2月至2023年8月期间,向在我院乳腺癌筛查诊所接受筛查性乳腺钼靶检查的患者提供了一份包含29个问题的调查问卷(提供英文或西班牙文版本;图S1、S2)(12)。所有在我院接受筛查性乳腺钼靶检查的患者均被纳入研究样本,并由乳腺影像研究员或前台工作人员(如有)邀请完成问卷;当无工作人员在场时,候诊区张贴有研究信息的告示。仅拒绝参与研究或拒绝完成问卷的患者被排除在外(图1)。

图1:参与者纳入与排除的研究流程图。 查看原图 ↗

研究工作流程与调查

问卷在诊所内易于获取,并配有信息告示。研究提供了关于匿名性和自愿参与的口头和书面信息。每位患者收到一封说明信(图S3、S4),其中包含研究人员姓名和联系方式、研究目的、研究可能带来的任何益处或风险以及所提供信息的处理方式等详细信息。患者的疑问由研究主要研究者或乳腺影像研究员按照说明信中的指示当面或通过电子邮件解答。填写完成的匿名问卷被投入上锁的收集箱中。图2提供了工作流程示意图。

调查问题评估了六个领域——技术验证、流程知识、能力、效率、个人互动和问责制——这些领域源自先前的一项定性研究 (8)。采用封闭式问题和五点李克特量表了解患者对人工智能使用的看法。还收集了人口统计学和临床信息,包括年龄、种族和民族(自我报告)、母语、教育水平、年收入、绝经状态、患乳腺癌的一级亲属数量、首次乳腺X线筛查年龄、既往乳腺癌诊断史以及异常乳腺X线摄影和/或乳腺活检史。

图2:工作流程示意图。PI = 主要研究者。 查看原图 ↗

统计分析

连续变量以均数和标准差报告,分类变量以频数和百分比报告,包括各类别中的缺失数据。我们比较了在人工智能报告异常与放射科医生报告异常后要求放射科医生复核的受访者比例,并使用McNemar检验评估了放射科医生召回与人工智能召回相比进行诊断性随访的可能性。对于这些比较,回答被分类为“完全不”与“可能或肯定”。我们进行了单变量logistic回归,以评估参与者特征与调查回答之间的关联。报告了具有95% CI的比值比(OR),以估计特定回答与参与者特征之间的关联。此外,使用多变量logistic回归评估在调整年龄、种族、教育水平和参与者自我报告的对人工智能的理解或知识后,回答与参与者特征之间的关联是否持续存在。P值小于.05被认为具有统计学意义。所有分析均在R 4.2.2版(R Core Team)中进行;使用tidyverse和janitor包准备数据,包括数据整理、清洗和变量格式化,并使用gtsummary包生成OR表,以及在SAS 9.5版(SAS Institute)中进行分析。

结果

参与者特征

研究期间收集的所有调查均被纳入。2023年2月至2023年8月期间,在我们的筛查诊所接受筛查性乳腺X线摄影的3495名患者中,518名(14.82%)同意参与研究(图1)。受访者与总体患者样本之间的年龄和种族及民族分布相似,我们发现年龄(P = .66)和种族及民族(P = .48)方面无差异(表S1)。

分析了518名参与者的回答。其中,7.92%(518人中的41人)报告接受了首次筛查性乳腺X线摄影。大多数参与者(518人中的377人,72.8%)年龄在40至69岁之间,自认为非西班牙裔白人(518人中的262人,50.6%),并具有大学及以上教育程度(518人中的347人,67.0%)。150名(29.0%)参与者处于绝经前,141名(27.2%)至少有一位一级亲属患有乳腺癌。关于病史,5.21%(518人中的27人)的参与者既往被诊断为乳腺癌,35.7%(518人中的185人)报告乳腺X线摄影结果异常,22.8%(518人中的118人)接受过乳腺活检。大多数参与者以英语为主要语言(518人中的418人,80.7%),42.9%(518人中的222人)年收入超过100 000美元。表1显示了患者人口学和临床特征的汇总。

表1:研究样本的人口学和临床特征 查看原表 ↗

调查回答

参与者自我报告的AI知识率如下:230人(44.4%)表示对AI“了解一点”,而只有一名(518人中的1人,0.19%)参与者认为自己是“AI专家”,166人(32.1%)对AI没有了解。74.1%(518人中的384人)认为在使用AI进行乳腺X线摄影解读之前需要征得同意。71%(518人中的368人)的参与者倾向于将AI用作第二阅片者,4.44%(518人中的23人)可以接受其乳腺X线摄影仅由AI解读。周转时间偏好呈分散分布,19.5%(518人中的101人)希望立即获得AI结果,57.1%(518人中的296人)愿意等待数小时至数天以供放射科医师审核。共有359名(69.3%)参与者对关于AI与放射科医师召回后额外阅片请求的两个问题均作了回答。在AI解读的异常筛查之后,88.9%(359人中的319人)要求在安排随访检查之前由放射科医师审核,相比之下,放射科医师召回后由AI审核的比例为51.3%(359人中的184人)(P < .001)。445名(85.9%)参与者对关于当AI与放射科医师评估召回之间存在差异时同意安排诊断性检查可能性的两个问题均作了回答,尽管差异无统计学意义(94.2%,445人中的419人 vs 92.6%,445人中的412人;P = .20)。在评估AI相较于放射科医师的效能时,5.21%(518人中的27人)认为AI“差得多”,21.0%(518人中的109人)表示“更差”,43.4%(518人中的225人)表示“相同”,13.5%(518人中的70人)表示“更好”,1.16%(518人中的6人)表示“好得多”。关于AI漏诊癌症的责任归属,57.7%(518人中的299人)认为所有人都应承担责任,14.9%(518人中的77人)会追究AI制造商的责任。关于数据隐私,29.5%(518人中的153人)中度担忧,35.5%(518人中的184人)非常或极度担忧。受访者表达了对AI功能(518人中的378人,73.0%)、AI导致放射科医师与患者互动减少(518人中的397人,76.6%)、缺乏透明度(518人中的384人,74.1%)以及AI可能存在偏倚(518人中的327人,63.2%)的担忧。参与者对每个问题的回答见表2和表S2。

表2:参与者对使用AI进行乳腺X线摄影解读的看法 查看原表 ↗

参与者特征与AI使用看法之间的关联

表3和表S3展示了参与者特征与对人工智能用于乳腺X线摄影解读的看法之间的关联。

表3:参与者特征与对人工智能用于筛查性乳腺X线摄影解读的看法之间关联的单变量逻辑回归分析 查看原表 ↗

在人工智能解读乳腺X线摄影之前是否应征求您的同意?

年收入水平是决定在使用人工智能前是否应征求许可的显著因素。与收入较低的参与者相比,年收入超过99 000美元的参与者认为需要征求许可的可能性更低(OR 0.39,95% CI:0.22,0.71;P = .002)。

您是否同意由人工智能来读取您的乳腺X线摄影?

与非西班牙裔白人参与者相比,非西班牙裔黑人参与者同意使用人工智能的可能性更低(OR 0.38,95% CI:0.22,0.65;P = .005),而我们未发现其他种族和族裔群体之间存在差异的证据(西班牙裔:OR 0.61,95% CI:0.32,1.15,P = .12;亚裔:OR 0.63,95% CI:0.30,1.34,P = .20)。拥有研究生以上学历(OR 2.05,95% CI:1.31,3.20;P = .002)或对人工智能有更高知识水平的参与者(OR 2.31,95% CI:1.51,3.53;P < .001)同意在读取乳腺X线摄影时使用人工智能的可能性约为前者的两倍。年龄(OR 0.99,95% CI:0.83,1.18;P = .89)和年收入(OR 1.30,95% CI:0.84,2.01;P = .25)等因素,以及临床特征包括有一级亲属被诊断为乳腺癌(OR 1.32,95% CI:0.80,2.17;P = .28)、既往接受过乳腺X线摄影筛查(OR 1.42,95% CI:0.61,3.30;P = .42)或无乳腺X线摄影异常史(OR 1.26,95% CI:0.81,1.97;P = .31),均未显著影响患者对人工智能用于乳腺X线摄影解读的接受度。

重新评估请求:人工智能与放射科医生召回的比较

有一级亲属被诊断为乳腺癌的参与者在人工智能检测到异常后寻求放射科医生重新评估的可能性显著更高(OR 3.25,95% CI:1.24,8.5;P = .02),而同一组参与者在放射科医生检测到异常后请求人工智能重新评估方面与对照组无差异(OR 1.59,95% CI:0.99,2.55;P = .05)。与非西班牙裔白人参与者相比,自认为亚裔的参与者(OR 4.14,95% CI:1.85,9.22;P < .001)选择人工智能重新评估的可能性显著更高。我们未发现非西班牙裔黑人(OR 0.75,95% CI:0.42,1.33;P = .30)或西班牙裔(OR 1.57,95% CI:0.87,2.85;P = .13)群体之间存在差异的证据。既往接受过乳腺X线摄影的参与者在放射科医生检测到异常后请求人工智能复核的可能性显著更高(OR 3.11,95% CI:1.35,7.16;P = .008)。

人工智能与放射科医生召回之间的差异:对诊断性乳腺X线摄影预约安排的一致性

与非西班牙裔白人参与者相比,自认为非西班牙裔黑人(OR 0.30,95% CI:0.12,0.79;P = .01)或亚裔(OR 0.22,95% CI:0.07,0.65;P = .01)的参与者在人工智能报告正常结果后同意进行随访诊断性检查的倾向显著更低。我们未发现非西班牙裔白人与西班牙裔参与者之间存在差异的证据。

有乳腺X线摄影异常史的研究参与者,在收到放射科医生报告的异常(OR 4.98,95% CI:1.47,16.85;P = .01)或人工智能报告的异常(OR 10.08,95% CI:2.38,42.76;P = .002)后,更有可能同意预约诊断性检查。

患者认为人工智能在检测乳腺癌方面比放射科医生更好、相同还是更差?

我们发现,在人工智能诊断准确性的认知方面,与放射科医生相比,未发现基于年龄(OR 0.92,95% CI:0.77,1.09;P = .32)、种族和民族(西班牙裔:OR 1.00,95% CI:0.54,1.86,P = .99;非西班牙裔黑人:OR 0.85,95% CI:0.49,1.49,P = .58;亚裔:OR 0.62,95% CI:0.31,1.23,P = .17;均与非西班牙裔白人比较)、教育程度(OR 0.85,95% CI:0.54,1.35;P = .50)或绝经状态(OR 1.22,95% CI:0.78,1.89;P = .39)存在差异的证据。同样,我们发现,在检测乳腺癌方面对人工智能相对于放射科医生的信任度上,未发现对人工智能知识较高(OR 1.44,95% CI:0.93,2.21;P = .10)、有乳腺癌家族史(OR 1.26,95% CI:0.78,2.01;P = .34)、收入较高(>$99 000:OR 0.95,95% CI:0.62,1.45;P = .80)或无既往乳腺X线摄影异常(OR 0.93,95% CI:0.61,1.43;P = .74)的参与者之间存在差异的证据。

人工智能错误的问责:假阴性和假阳性情况下的归因(参照:人工智能制造公司或所有实体均应被归责)

在人工智能相关假阴性的情境下,有既往乳腺X线摄影异常的研究参与者显著更倾向于追究医院或认可该人工智能的放射科医生的责任,而非人工智能开发者或所有实体之和(OR 1.71,95% CI:1.11,2.64;P = .02)。对于人工智能导致的假阳性,西班牙裔参与者显著更倾向于将责任归于人工智能开发者或 collectively 归于所有相关方(OR 0.41,95% CI:0.19,0.91;P = .03)。

对医疗信息使用、隐私、人工智能准确性、放射科医生互动、人工智能透明度及可能偏倚的担忧

与非西班牙裔白人相比,非西班牙裔黑人参与者对隐私和医疗信息潜在滥用(OR 2.87,95% CI:1.25,6.58;P = .03)以及可能偏倚(OR 4.31,95% CI:1.50,12.39;P = .005)的担忧显著更高。同样,西班牙裔参与者对可能偏倚表达了更高的担忧(OR 3.32,95% CI:1.15,9.61;P = .005)。与高中或以下教育程度者相比,教育程度较高的参与者对医疗数据处理方面的担忧较少(OR 0.48,95% CI:0.25,0.90;P = .02)。年龄是一个显著因素,年龄增加与对人工智能偏倚的担忧增加相关(OR 1.34,95% CI:1.05,1.71;P = .02)。

多变量分析

进行多变量逻辑回归分析,以评估在调整年龄、种族、教育水平和对AI的了解后,参与者特征与接受AI使用之间的关联(表4、表S4)。有一级亲属被诊断为乳腺癌的参与者,在AI发现异常后(OR 3.02,95% CI:1.13,8.06;P = .03)或放射科医生发现异常后(OR 1.91,95% CI:1.14,3.21;P = .01)寻求放射科医生或AI重新评估的可能性显著更高。此外,乳腺X线摄影异常史显著影响了对诊断不一致时随访检查的偏好,既往乳腺X线摄影经历增加了对放射科医生报告的异常(放射科医生报告异常,AI报告正常:OR 4.41,95% CI:1.26,15.49;P = .02)或AI报告的异常(放射科医生报告正常,AI报告异常:OR 10.69,95% CI:2.47,46.29;P = .002)寻求随访的可能性。

表4:参与者特征与对使用AI进行筛查性乳腺X线摄影解读的认知之间关联的多变量逻辑回归 查看原表 ↗

讨论

我们旨在探讨患者对使用AI解读筛查性乳腺X线摄影的看法。本研究纳入518名女性参与者,提供了受人口统计学特征、个人病史和对AI认知影响的不同观点的见解。我们的研究表明,参与者支持在筛查性乳腺X线摄影中使用AI,主要作为第二读片者(518人中的368人,71.0%),尽管存在对失去人际互动、隐私、缺乏透明度和偏见的担忧。

大多数参与者表示偏好AI与放射科医生审阅配合使用。这与既往研究结果一致,既往研究也强调患者倾向于AI与医疗专业人员在乳腺X线摄影解读中的协作方式(10,11)。在Ongena等(10)涉及922名患者的调查研究中,绝大多数(77.8%)对完全独立使用AI解读筛查性乳腺X线摄影表示保留意见。另一项涉及800名患者的研究(11)发现,94%的患者认为放射科医生应始终自行生成乳腺X线摄影报告,而77%支持AI作为第二读片者的想法。这一偏好凸显了在AI应用中保持人工监督的重要性,以及患者在医疗保健中对信任、共情和问责的更广泛期望——这些品质患者通常更多联想到人类医疗服务提供者而非机器。放射科医生的作用不仅是技术性的,也是关系性的,为患者提供 reassurance 和对话的机会。将AI作为辅助而非替代整合,可以满足患者对医学中持续人文主义的期望,并回应了对医疗保健中去人性化的担忧。

我们的结果表明,参与者依赖人工智能的意愿因各种人口学因素而异。具体而言,对人工智能具有更高教育程度(OR 2.05,95% CI:1.31,3.20;P = .002)或更广泛的自报知识(OR 2.31,95% CI:1.51,3.53;P < .001)的个体更愿意在无需额外许可请求的情况下使用人工智能。此外,与教育程度较低的对应人群相比,教育程度高于大学的参与者对隐私丧失的担忧较少(OR 0.48,95% CI:0.25,0.90;P = .02)。这可能反映这些群体对技术有更广泛的理解,提示教育干预可能提高人工智能接受度。这些个体对隐私的担忧减轻,可能源于对人工智能框架内数据保护机制的细致理解。这些见解强调了就人工智能隐私措施进行透明有效沟通的重要性,确保所有患者无论教育背景如何都能充分知情以给予同意并维持对这些技术的信心。

对数据隐私和潜在人工智能偏见的担忧在西班牙裔(数据隐私:OR 2.41,95% CI:0.99,5.89,P = .05;偏见:OR 3.32,95% CI:1.15,9.61,P = .005)和非西班牙裔黑人参与者(数据隐私:OR 2.87,95% CI:1.25,6.58,P = .03;偏见:OR 4.31,95% CI:1.50,12.39,P = .005)中明显更高。这些担忧可能导致了非西班牙裔黑人参与者对人工智能使用的接受度较低(OR 0.38,95% CI:0.22,0.65;P = .005)。我们的发现凸显了解决人工智能医疗应用中种族和民族差异的迫切需求,揭示参与者与研究人员一样担忧潜在偏见(13–16)。这些偏见可在开发和部署生命周期的任何阶段产生,包括问题定义、数据选择和整理、模型训练、部署以及部署后监测(17–19)。鉴于一个阶段的偏见可传播至后续阶段,研究人员持续生成并使用多样且有代表性的数据集至关重要(17)。此外,制定和实施严格的测试与验证方案,并对模型性能进行持续监测和评估,对于减少人工智能应用中的偏见至关重要(19)。为解决患者的担忧,透明沟通是必要的。通过清楚解释偏见的性质、部署前为测试和检测偏见所实施的措施、为减轻偏见所采取的步骤,以及为保护患者数据所设置的保障措施,我们可以增强信任和理解,从而促进更具包容性和公平性的人工智能医疗环境。

在调整年龄、种族和民族、教育水平以及对AI的了解后,我们的分析表明,个人乳腺癌经历显著影响参与者对乳腺X线摄影中AI和放射科医生判读的反应。有一级亲属被诊断为乳腺癌的参与者,在报告异常的情况下,更可能要求由放射科医生或AI进行额外复核(AI报告异常:OR 3.02,95% CI:1.13,8.06,P = .03;放射科医生报告异常:OR 1.91,95% CI:1.14,3.21,P = .01)。有趣的是,当AI或放射科医生报告结果正常时,这些参与者似乎不太倾向于安排诊断性检查,这表明其对任一评估有一定程度的信任(AI正常:OR 0.98,95% CI:0.37,2.58,P = .97;放射科医生正常:OR 0.75,95% CI:0.33,1.72,P = .50),尽管这未达到统计学显著性。相反,有乳腺X线摄影异常史的参与者,在AI与放射科医生评估不一致时,更倾向于同意安排诊断性检查(放射科医生召回:OR 4.41,95% CI:1.26,15.49,P = .02;AI召回:OR 10.69,95% CI:2.47,46.29,P = .002)。这凸显了患者个体病史和经历在医疗保健环境中定制和应用AI技术方面的关键作用。

我们的研究存在一些局限性。第一,人工智能是一个复杂的话题,尽管我们在信息表、调查材料以及调查演示过程中提供了简要说明,但患者仍可能未能完全理解这一概念。这可能影响了他们的回答。然而,我们认为所获得的回答反映了患者在缺乏详细先验知识情况下的观点,从而捕捉到了代表普通公众的视角。第二,研究在美国一所大学医院进行,大多数患者(约70%)拥有私人保险。因此,由于保险覆盖范围和医疗可及性的差异,我们的结果可能在不同机构、州和国家之间有所不同。此外,我们的研究仅聚焦于筛查场景,未涵盖临床场景,例如有症状患者的情况。尽管在研究期间我们机构共进行了6850次筛查性乳腺X线摄影检查,但调查仅提供给在专门的筛查楼层接受筛查的患者,包括其中3495例(51.02%)。在诊断楼层接受筛查的患者未被提供调查,因为该地点主要安排有同期预约或长途旅行希望立即获得结果者的当日阅片。诊断楼层的筛查与诊断病例交错进行,且由于操作流程限制,被排除在调查分发之外。此外,我们采用了混合模式,由研究员或前台工作人员根据可用性使用标准化脚本介绍研究。患者也可以获取调查问卷,问卷在诊所内随时可用。工作人员的可用性可能是患者招募的限制因素,从而影响了回复率。因此,在有机会接触调查的参与者中,调查回复率为14.82%(3495例中的518例)。最后,我们承认调查样本量相对较小且人口学多样性有限,可能无法完全推广到接受乳腺X线摄影筛查的更广泛人群。需要进一步研究以确定我们的发现是否可推广到不同的医疗环境和患者群体。

总之,我们的结果表明参与者对将人工智能整合到乳腺X线摄影解读中持谨慎乐观态度。尽管对人工智能有接受度,尤其是在与放射科医生共同使用时,但对其有效性、潜在偏倚以及对医患互动的影响仍存在重要担忧。随着人工智能技术的进步,有必要继续与患者接触,了解其不断变化的观点,并通过教育、透明度和稳健的人工智能验证流程来解决任何担忧。

引用

  1. Ozcan BB, Dogan BE, Xi Y, et al. Patient Perception of Artificial Intelligence Use in Interpretation of Screening Mammograms: A Survey Study. Radiol Imaging Cancer. 2025. PMID: 40249272. doi:10.1148/rycan.240290
  2. 全文:PMC12130716(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12130716/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。