Analisi delle immagini mediche incentrata sulle persone propone un'integrazione più equa dell'IA

Un nuovo preprint su arXiv sostiene che l'IA medica incentrata sui dati non è riuscita a ottenere un'adozione clinica diffusa a causa di un'attenzione insufficiente alle prestazioni eque tra diverse popolazioni di pazienti e all'integrazione nei flussi di lavoro. Gli autori identificano i bias di performance come barriere normative e l'automazione mal integrata come elemento che interrompe le routine cliniche, degrada la collaborazione uomo-IA e riduce la disponibilità dei medici ad adottare strumenti di IA. Notano che i lavori precedenti sull'integrazione nei flussi di lavoro (ad esempio, Learning to Defer e Learning to Complement) e sull'equità dell'IA hanno esaminato queste sfide in modo isolato, trascurando la loro interdipendenza e i vincoli pratici come la disponibilità limitata dei medici. L'articolo propone un approccio incentrato sulle persone per l'analisi delle immagini mediche che ottimizza congiuntamente equità e integrazione nei flussi di lavoro.