人工智能在从医学图像（如X射线）大规模诊断疾病方面非常有用。然而，人工智能工具并不总是能够识别自己的不准确性。
作为回应，谷歌开发了一个新的人工智能系统，称为互补驱动的推迟临床工作流（CoDoC），它可以识别何时信任基于人工智能的诊断，并提示人类医生的第二个意见。
根据 研究CoDoC将分析医学扫描数据的工作量减少了66%，但它还可以检测人工智能决策何时可能错误，从而将误报率降低了25%。
CoDoC与现有的人工智能系统并行工作，通常用于解释胸部X光或乳房X光照片等医学图像。
例如，如果人工智能工具正在解读乳房X光照片，CoDoC会评估该工具对其分析的感知信心是否足够强，可以依赖。如果有任何不明确的地方，CoDoC会要求人类专家提供第二种意见。
以下是它的工作原理：
- 为了训练CoDoC，谷歌从现有的临床人工智能工具中获取了数据，并将其与人类临床医生对相同图像的解释进行了比较。通过活检或其他方法对数据进行后分析，进一步验证了该模型。
- 这个过程使CoDoC能够学习和了解人工智能工具的分析和置信水平与人类医生相比的准确程度。
- 经过训练，CoDoC可以判断人工智能扫描分析是否值得信赖，或者是否需要人工审核。
Google Health UK的Alan Karthikesalingam参与了这项研究，他说：“如果你使用CoDoC和人工智能工具，以及一个真正的放射科医生的输出，然后CoDoC帮助决定使用哪种意见，最终的准确性会比人或人工智能工具更好。
CoDoC的进一步测试是使用不同的乳腺X射线摄影数据集和X射线在各种预测人工智能系统中进行的，并产生了积极的结果。
Google DeepMind的Krishnamurthy Dvijotham指出：“CoDoC的优势在于它可以与各种专有人工智能系统互操作。
然而，牛津大学的Helen Salisbury指出，一些医学诊断过程比CoDoC测试的过程更复杂。她说：“对于那些你没有机会影响的系统，事后，黑盒子里会出现什么，添加机器学习似乎是个好主意。它是否会带来人工智能，它将整天与我们在一起，每天为我们的日常工作更接近，我不知道。
正如研究人员强调的那样，CoDoC的互操作性意味着它可以插入不同的诊断工作流。
一I系统可以与人工智能系统合作，以提高其准确性。俗话说，四只眼睛比两只眼睛看得多。
