支持间接观察者眼动一致性的分裂检测 AI 训练
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文探讨了利用卷积神经网络（CNN）和眼球追踪技术提高医学图像分析的准确性。研究表明，将有丝分裂检测转化为图像描述和视觉问答任务可以降低病理学家的主观性。此外，提出的医学对比度视线图像预训练（McGIP）方法在临床应用中显示出有效指导对比度学习的潜力。
🔎
延伸解读
有丝分裂检测的主观性挑战与AI应对
病理学家在有丝分裂计数上存在主观差异，影响肿瘤增殖和预后评估的准确性。文章采用卷积神经网络降低这种主观性，并将检测任务转化为图像描述和视觉问答任务，结合视觉特征与自然语言，在9501个有丝分裂图像和11051个负例图像上验证了有效性。这提示多模态任务设计可能提升医学图像分析的客观性。
眼动追踪在医学图像分析中的角色
眼动追踪能被动收集放射科医师阅读图像时的视觉关注和临床推理，为机器学习提供认知线索。文章综述了整合眼动数据与深度学习的方法，并指出眼动可补充机器注意力，改善语义场景理解。这为利用专家隐性知识增强AI模型提供了新思路。
McGIP：眼动引导的对比预训练
医学对比度视线图像预训练（McGIP）作为即插即用模块，利用放射科医师的注视指导对比学习。实验表明，McGIP在多种临床场景中具有实用性，能提升对比预训练的有效性。该方法展示了将人类认知与AI结合以改进医学图像分析的潜力。
❓
Q&A
有丝分裂计数与哪些医学问题相关？
有丝分裂计数与肿瘤增殖、预后不良和药物抵抗有关。
如何利用卷积神经网络提高有丝分裂检测的准确性？
通过将有丝分裂检测任务转化为图像描述和视觉问答任务，降低病理学家的主观性，从而提高检测准确性。
医学对比度视线图像预训练（McGIP）方法的主要优势是什么？
McGIP方法通过放射科医师的注视指导对比度预训练，显示出在临床应用中的有效性和高潜力。
眼球追踪技术在医学图像分析中的作用是什么？
眼球追踪技术用于提取医学图像中的特征，改进医疗诊断，提高医学图像分析的准确性和效率。
如何通过眼动追踪改善医学图像的对比度预训练？
通过收集放射科医师在阅读和诊断医学图像时的视觉关注，改善对比度预训练的有效性。
研究中使用了多少个有丝分裂图像进行比较？
研究中使用了9,501个有丝分裂图像和11,051个难以表征的负例图像进行比较。
🏷️
