人工智能可以通过学习何时将诊断任务交给人类病理学家而不使其超负荷，从而使癌症诊断更安全、更公平，这是来自萨里大学和莫纳什大学研究人员的发现。
该方法解决了在癌症病理学、放射学以及其他人类专业判断不可或缺的领域中，限制AI辅助决策使用的两个关键问题。当前的人机协作系统在训练期间需要每位专家审查每一个病例，导致过程昂贵且耗时，同时在测试期间往往使最准确的专家过度工作，造成倦怠和错误风险。
这项研究引入了一种概率方法，使AI系统能够从不完整的专家输入中学习，同时在整个团队中均匀分配工作量。
研究团队在结肠癌病理图像上测试了该方法，三位专业病理学家将组织样本分类为正常、癌前和癌性三类。即使训练过程中缺失了70%的专家标注，系统仍保持高准确率，同时确保没有一位病理学家负担过重。
该研究的共同作者、萨里大学视觉、语音与信号处理中心的Gustavo Carneiro教授表示：
“在癌症病理学和放射学领域，我们知道专家超负荷会导致错误。有文献记载，一名放射科医生在一天内看了162个病例（平均仅为50个）后发生了误诊。我们的系统通过确保工作公平分配同时保持高准确率来防止此类问题。AI学会独立处理常规病例，并将复杂病例交由人类处理，但关键的是，它不会总是交给同一个人。”
这一问题在癌症诊断中尤为突出，因为区分良性、癌前和恶性组织需要专家判断，而病理学家面临的病例量日益增长。一个能够自信处理简单病例、同时将复杂病例标记给人工复核的AI系统，可以减轻专家压力而不牺牲诊断准确性。
该研究的首席作者、萨里大学视觉、语音与信号处理中心的Cuong Nguyen博士表示：
“以前的系统假设可以让每位专家审查每个训练样本，这对于大型数据集或忙碌的临床团队来说根本不现实。我们已经证明，即使专家只审查部分数据，也能训练出有效的人机协作系统。这使得该技术在癌症病理学和其他高风险医学领域的实际部署变得可行得多。”
该系统使用了一种算法，将选择哪位专家会诊以及缺失的专家意见都视为训练过程中可推断的变量。它还包含一种机制，用于控制分配給每位专家和AI分类器本身的工作量，从而允许组织在训练阶段就设置工作量限制，而不是事后调整。
这项研究回应了人们对AI在医疗领域应用的日益关切——纯自动化系统可能遗漏重要细节，但每项决策都咨询人类既不实际也成本高昂。研究团队还在胸部X光片解读和骨病影像上测试了该方法，展示了其在不同医学影像任务中的多功能性。
该研究已在2025年国际学习表征大会（ICLR）上发表。
来源：萨里大学
【全文结束】