“在我们不断努力可视化、理解和减轻放射数据解释和人工智能模型开发中的偏见方面，持久性图像是一个强大的新工具。”

　　布法罗，纽约——2024年11月25日——2024年11月12日，Oncotarget的第15卷发表了一篇新的社论，题为“通过持续图像可视化放射数据偏差”。

　　这篇社论强调了一种名为“持久性图像”的强大工具，它可以改善医学成像和人工智能（AI）系统的开发和使用方式。作者Yashbir Singh， Colleen Farrelly, Quincy a . Hathaway和Gunnar Carlsson来自梅奥诊所（Rochester， MN）放射科，详细解释了持久性图像如何揭示隐藏的偏见并促进医疗保健人工智能的公平性。

　　人工智能正在成为医疗保健的重要组成部分，帮助临床医生分析x射线、磁共振成像和计算机断层扫描。然而，如果用于训练人工智能系统的数据有偏见，可能会导致不公平或不准确的结果。持久性图像源自拓扑数据分析（TDA），可将复杂的医学扫描转换为简单、稳定的视觉效果。这些图像可以更容易地发现可能表明偏见的模式或不规则现象。例如，它们可以揭示某些群体（如特定年龄、性别或种族的患者）在用于训练人工智能系统的数据中是否代表性不足。

　　“在放射分析中使用持久性图像为识别和解决数据解释和人工智能模型训练中的偏差开辟了新的可能性……”

　　这有助于确保人工智能系统公平地为所有患者群体工作，从而产生更可靠的诊断和更好的结果。

　　除了检测偏见之外，持久图像还有助于从医学扫描中过滤噪音或不相关的细节。这使得人工智能系统和放射科医生更容易专注于图像中有意义的特征，从而提高整体准确性。这些见解有助于人工智能系统表现更好，做出更准确、更值得信赖的决策。

　　尽管具有潜力，但持久性图像仍面临挑战。为大型数据集生成持久性图像需要强大的计算能力，而集成到临床工作流程中需要用户友好的工具和针对医疗保健专业人员的专门培训。

　　随着医疗保健越来越受数据驱动，像持久化图像这样的工具可能会改变医学成像的使用方式。

　　“通过帮助我们可视化和解决隐藏的偏见，它们可以帮助改善患者的治疗效果，并提供更个性化的医疗服务。”

　　总之，这篇社论设想了一个未来，像持久图像这样的先进数学工具在消除偏见和改善患者预后方面发挥着至关重要的作用。将这些工具集成到临床工作流程中可以增强放射学分析，为全球医疗保健的准确性和公平性设定新的标准。

　　继续阅读：DOI: https://doi.org/10.18632/oncotarget.28670