来自达姆施塔特工业大学、剑桥大学、默克科技公司和慕尼黑工业大学伊萨尔诊所的国际研究团队参与了一项国际跨学科合作，研究软件系统如何收集、处理和评估任务-特定的相关信息，从而支持人类(在本例中为放射科医生)的工作。

该研究提供了机器学习系统(ML 系统)对人类学习影响的实证数据。它还表明机器学习方法的结果是否易于理解和理解对于最终用户来说是多么重要。这些见解不仅与放射学中的医疗诊断相关，而且与通过日常使用人工智能工具(例如 ChatGPT)成为 ML 输出审阅者的每个人相关。

放射学中的机器学习

该研究项目由 TU 研究人员 Sara Ellenrieder 和 Peter Buxmann 教授领导，研究了基于 ML 的决策支持系统在放射学中的使用，特别是在 MRI 图像中手动分割脑肿瘤。重点是放射科医生如何从这些系统中学习，以提高他们的表现和决策信心。

作者比较了 ML 系统的不同性能水平，并分析了解释 ML 输出如何提高放射科医生对结果的理解。研究目的是找出放射科医生如何长期受益于这些系统并安全使用它们。

为此，项目团队与来自各个诊所的放射科医生进行了实验。医生被要求在接受基于 ML 的决策支持之前和之后在 MRI 图像中分割肿瘤。不同的组获得了不同性能或可解释性的机器学习系统。除了在实验过程中收集定量表现数据外，研究人员还通过“出声思考”协议和随后的访谈收集定性数据。