Universität zu Köln

Chen, Xue ORCID: 0000-0002-9019-2573 (2024). Influence of Predictions of an AI-based Computer-aided Diagnosis System on Radiologists in Reading Mammograms. PhD thesis, Universität zu Köln.

PDF Dissertation.pdf - Accepted Version Download (3MB)

Abstract

Diese Arbeit untersucht die Auswirkungen von KI-Vorhersagen auf die diagnostische Genauigkeit von Radiologen bei der Befundung von Mammographien. Ziel der Studie war es, zu verstehen, wie sich ein sogenannter Automation-Bias, also die Überbewertung automatisierter Systeme, auf die Entscheidungsfindung der Radiologen auswirkt. In einem kontrollierten Experiment wurden 27 Radiologen unterschiedlicher Erfahrungsstufen gebeten, Mammographien mit Hilfe eines angeblichen KI-Systems zu beurteilen, das sowohl korrekte als auch fehlerhafte Vorhersagen anzeigte. Dieses Design ermöglichte es, das Verhalten der Radiologen in einer realistischen diagnostischen Situation zu simulieren. Die Ergebnisse zeigen, dass falsche KI-Vorhersagen die diagnostische Genauigkeit aller Radiologen signifikant verringern können. Besonders erfahrene Radiologen zeigen jedoch eine größere Resilienz gegenüber den negativen Effekten fehlerhafter KI-Vorschläge. Weiterhin legen die Ergebnisse nahe, dass KI-Systeme potenziell die Leistung von unerfahrenen Radiologen verbessern können, sofern die Vorhersagen korrekt sind. Dies unterstreicht die Bedeutung einer umfassenden Sicherstellung der Genauigkeit von KI-Systemen in der klinischen Praxis. Abschließend wird in der Dissertation betont, dass eine sorgfältige Integration und Überwachung von KI-Systemen in diagnostische Prozesse essenziell sind, um die Vorteile dieser Technologien zu maximieren und gleichzeitig Risiken, wie den sogenannten Automation-Bias, zu kontrollieren. Die Studie unterstreicht die Notwendigkeit einer kritischen Auseinandersetzung mit KI-Vorschlägen und fordert weiterführende Forschungen, um die langfristigen Auswirkungen der KI-Nutzung in der medizinischen Praxis besser zu verstehen und zu optimieren. Nur so kann letztendlich die Patientenversorgung verbessert und die diagnostische Genauigkeit erhöht werden, während gleichzeitig die Fähigkeiten der Radiologen durch die Technologie erweitert und nicht ersetzt werden. Zusammenfassend lässt sich sagen, dass die Ergebnisse der Arbeit wichtige Einblicke in die komplexe Dynamik der Interaktion zwischen menschlichen Radiologen und KI-Systemen bietet. Sie unterstreichen die Notwendigkeit, die Zuverlässigkeit von KI-Diagnosesystemen zu gewährleisten und Schulungsprogramme für Radiologen zu entwickeln, die ein kritisches Verständnis für die Stärken und Schwächen von KI-Unterstützung fördern.

Item Type:	Thesis (PhD thesis)
Creators:	Creators Email ORCID ORCID Put Code Chen, Xue chenxue911229@gmail.com https://orcid.org/0000-0002-9019-2573 UNSPECIFIED
URN:	urn:nbn:de:hbz:38-791211
Date:	2024
Language:	English
Faculty:	Faculty of Medicine
Divisions:	Faculty of Medicine > Radiologische Diagnostik
Subjects:	Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language CAD English Mammogram English breast cancer English
Date of oral exam:	15 September 2025
Referee:	Name Academic Title Pinto dos Santos, Daniel Privatdozent Dr. med.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/79121