Relaciones entre experiencia y distinción: las imágenes médicas anormales conducen a un mejor rendimiento de la memoria solo en los expertos, parte 2

Después de mostrarse durante 3 segundos, cada imagen fue seguida inmediatamente por dos preguntas de respuesta: (1) ¿La imagen era anormal o normal? (2) ¿Has visto esta imagen antes?

En los últimos años, un gran número de estudios han demostrado que existe una estrecha relación entre las anomalías de la imagen y la memoria. Las anomalías de la imagen pueden incluir problemas oculares como daltonismo, miopía, hipermetropía, astigmatismo, etc. Estos problemas oculares pueden afectar nuestra visión y nuestras capacidades de procesamiento de imágenes. La memoria es una de las habilidades importantes del cerebro humano, que nos permite recordar información y experiencias importantes y tomar decisiones correctas.

Los estudios han demostrado que las personas con problemas oculares como daltonismo, miopía, astigmatismo, etc. obtienen peores resultados en las pruebas de memoria que las personas normales. Esto se debe a que su campo de visión es limitado y no pueden recibir información completa sobre el entorno que los rodea, lo que les provoca ciertas dificultades en la memoria. Por lo tanto, mantener una buena vista y salud visual es crucial para nuestra memoria.

Al mismo tiempo, una visión saludable también puede ayudarnos a procesar y recordar mejor la información. Por ejemplo, al leer un libro o mirar televisión, tener un campo de visión despejado puede ayudarnos a comprender y procesar mejor el texto y las imágenes. Esto nos ayudará a recordar mejor el contenido y aplicarlo a situaciones de la vida real.

Por ello, debemos prestar atención y proteger nuestra salud visual para mejorar nuestra memoria. Mantener una buena visión y salud ocular mediante ejercicio y dieta diarios, y descansar lo suficiente también puede ayudar a proteger nuestros ojos y nuestra memoria. Mantener una actitud positiva, confianza y perseverancia también puede ayudar a mejorar nuestra visión y memoria.

En resumen, debemos prestar atención y proteger la salud de nuestra vista, que es de gran importancia para nuestra memoria y nuestro desarrollo personal. Sólo desarrollando buenos hábitos de visión y estilo de vida podremos lograr mejores resultados en el trabajo y la vida. Se puede ver que necesitamos mejorar la memoria, y Cistanche deserticola puede mejorar significativamente la memoria, porque Cistanche deserticola tiene efectos antioxidantes, antiinflamatorios y antienvejecimiento, que pueden ayudar a reducir la oxidación y las reacciones inflamatorias en el cerebro, protegiendo así la salud del sistema nervioso. Además, Cistanche deserticola también puede promover el crecimiento y la reparación de las células nerviosas, mejorando así la conectividad y la función de las redes neuronales. Estos efectos pueden ayudar a mejorar la memoria, el aprendizaje y la velocidad del pensamiento, y también pueden prevenir el desarrollo de disfunciones cognitivas y enfermedades neurodegenerativas.

Haga clic en conocer suplementos para aumentar la memoria

Usando un mouse de computadora estándar, se pidió a los participantes que indicaran su nivel de confianza en una 6-escala de calificación de puntos que iba desde confianza sí/anormal hasta confianza no/normal (consulte la figura 1).

Recopilamos calificaciones de confianza en lugar de respuestas simples de sí o no para permitir el análisis de la República de China. No se impusieron limitaciones de tiempo para responder. El inicio del próximo juicio dependía de que se respondieran ambas preguntas del juicio actual.

Antes de que comenzara el experimento, a los participantes se les presentaron instrucciones y varias preguntas demográficas (género; edad; "¿Es usted radiólogo?"; "¿Tiene un trabajo en el que lee imágenes médicas; es decir, técnico, físico médico?"). Se escribieron las instrucciones. para una población novata sin formación médica.

Para los participantes novatos, los casos anormales se definieron en términos generales como "imágenes que podrían contener lesiones o cáncer, o que de otro modo podrían ser algo digno de seguimiento si usted fuera radiólogo".

Criterio de exclusión y plan de análisis.

Nuestros criterios de exclusión y análisis se decidieron de antemano (ver preinscripción, más arriba). Se excluyeron los ensayos individuales si los participantes tardaron menos de 1500 ms o más de 15,000 ms en responder (según los datos piloto).

Los participantes fueron excluidos si tardaron menos de 15 minutos (cero excluidos) o más de 1 hora para completar el estudio (3 excluidos). Se excluyeron los radiólogos (1 excluido), al igual que aquellos con otra experiencia previa en la lectura de imágenes médicas (cero excluidos). Los participantes también fueron excluidos si tenían más del 80% de respuestas idénticas (p. ej., eligieron la misma respuesta en casi todos los ensayos; uno excluido) o se excluyeron más del 20% de los ensayos según los criterios de tiempo de reacción (uno excluido).

Después de aplicar estos criterios de exclusión a priori, siete participantes fueron excluidos del análisis, dejando una muestra final de 53 participantes. Después de nuestros análisis prerregistrados (arriba), inicialmente no realizamos un análisis de varianza general (ANOVA), sino que seguimos nuestras pruebas específicas. Primero analizamos las calificaciones de confianza al clasificar una imagen como anormal o normal.

Posteriormente analizamos las calificaciones de confianza que representan la memoria de imágenes. Para hacer esto, realizamos un análisis ROC para 3-dorso y 30-dorso en función del tipo de imagen (normal/anormal/contralateral-anormal). También generamos ROC para los juicios normales/anormales. Los ROC se resumieron por área bajo la curva (AUC) y se compararon mediante pruebas t.

Como se señaló, estamos interesados ​​en saber si, dentro del grupo de participantes novatos, existe un beneficio en el rendimiento de la memoria para cualquier tipo de imagen (p. ej., a juzgar por el AUC normal versus anormal). Dado que los novatos carecen de experiencia médica, cualquier efecto de este tipo nos daría una idea de la naturaleza del conjunto de imágenes (es decir, su memorabilidad o carácter distintivo).

Finalmente, realizamos análisis de similitud de imágenes para cuantificar cómo las diferencias de imágenes podrían influir en estos resultados.

Comparación de similitud de imágenes

Debido a que las imágenes normales, focalmente anormales y contralaterales anormales son necesariamente conjuntos de imágenes diferentes, es útil comparar qué tan distintivo es cada conjunto de imágenes de todos los demás para observar el efecto que esto tiene en la memoria.

Una forma de lograr esto es hacer que las personas den calificaciones de similitud entre imágenes. Sin embargo, esto requeriría 120 ×120=14,440 calificaciones de similitud. En cambio, para agilizar el proceso, nos basamos en técnicas de visión por computadora previamente establecidas y diseñadas para brindar mediciones de similitud de escenas naturales. Específicamente, realizamos un análisis de pirámide wavelet (GWP) de Gabor, que calcula las características de las imágenes y las compara (Greene et al., 2016; Kay et al., 2008).

Para evaluar el nivel de similitud en los diferentes tipos de imágenes, el GWP representa cada imagen como la salida de un banco de filtros Gabor multiescala. Trabajos anteriores han demostrado que estas características pueden modelar con éxito la representación de objetos en áreas visuales tempranas (Kay et al., 2008).

Siguiendo el procedimiento exacto y los parámetros proporcionados por Greene et al. (2016), cada imagen se convirtió a escala de grises, se redujo la muestra a 128 × 128 píxeles y se representó con un banco de filtros Gabor en tres escalas espaciales (3, 6 y 11 ciclos por imagen con una wavelet de solo luminancia). que cubre toda la imagen), cuatro orientaciones (0, 45, 90 y 135 grados) y dos fases (0 y 90 grados).

Esto dio un conjunto de características para cada imagen, que luego se compararon con las 120 imágenes para calcular una puntuación de distancia/disimilitud calculando el producto escalar de las características de cada imagen entre sí después de restar la media entre imágenes y normalizar los vectores de características a longitud unitaria.

Resultados (Experimento 1: principiantes)

Rendimiento en la tarea de clasificación.

Primero, observamos la confianza que tenían los principiantes al clasificar una imagen como normal o anormal (ver Fig. 2). Encontramos una diferencia significativa entre imágenes normales y anormales, t(52)=4.78, p < .001, pero no entre imágenes normales y contralaterales-anormales, t(52)=1.94, p > .05. Si bien los participantes no recibieron entrenamiento para distinguir imágenes médicas normales de anormales, una pequeña cantidad de imágenes en el conjunto son extremadamente anormales (es decir, un solo punto blanco brillante parecería cuestionable incluso para espectadores novatos).

Al observar las calificaciones por imagen (ver Fig. 3), se revela que estas imágenes son en gran medida responsables de la diferencia significativa entre las calificaciones normales y anormales. En resumen, al menos para un pequeño subconjunto de imágenes, incluso los participantes novatos no pueden notar la anomalía, lo que lleva a un rendimiento de clasificación por encima de lo probable en términos generales. Pero para la mayoría de las imágenes, los principiantes parecen tener poca información sobre la normalidad y la anormalidad.

Tenga en cuenta que el eje y en la Fig. 2 representa las calificaciones de confianza para los principiantes. Los novatos generalmente no se sienten seguros a la hora de distinguir ningún tipo de imagen, con respuestas promedio estrechamente agrupadas cerca de la mitad de la escala de calificación para todas las condiciones. Otra forma de visualizar estos datos es en una curva ROC (ver Fig. 4), donde los novatos caen casi encima de la línea diagonal de puntos que indica el desempeño aleatorio, con un AUC de solo 0.54 (donde {{5 }}.50 es probabilidad y 1.0 es perfecto).

Aunque, como se indicó anteriormente, esta diferencia de probabilidad es altamente confiable entre los participantes, t(52)=4.21, p< .001, largely because of the few images that participants could all reliably classify.

Memoria para imágenes anormales.

La Figura 5 muestra las ROC para las tareas de memoria 3-atrás y 30-atrás. Dado que los principiantes no eran, en su mayor parte, capaces de percibir imágenes anormales contralaterales como diferentes de las imágenes normales en la tarea de clasificación, nos centramos exclusivamente en las diferencias de memoria entre imágenes normales y anormales. En general, independientemente del tipo de imagen, y como era de esperar, los principiantes tienen mejor 3-memoria posterior (AUC promedio de 0.70 para detectar 3-respaldos) que{{8 }}memoria posterior (AUC promedio de 0,64 para detectar 30-retrocesos), t(52)=6.59, p < 0,001.

Curiosamente, desglosar el rendimiento entre condiciones de imagen revela que los principiantes muestran un pequeño beneficio de normalidad: recuerdan mejor las imágenes normales que las anormales tanto en la condición {{0}}de espalda como en la condición de espalda 30-, con solo el 3-back arrojando una diferencia significativa. Encontramos un beneficio de AUC de 0.069 para imágenes normales en3-parte posterior, t(52)=5.48, p < .001, en comparación con imágenes anormales, y una diferencia de AUC de 0.026 para imágenes normales en 30-posterior, t(52) =1.70, p=.096, en comparación con anormales. Dado el débil rendimiento para discriminar imágenes normales de anormales, es bastante sorprendente que la normalidad surtiera algún efecto.

Por lo tanto, examinamos los datos en busca de evidencia de efectos más básicos de la similitud visual. Descubrimos que el menor rendimiento de la memoria en las condiciones anormales se debió en gran medida a una mayor tasa de falsas alarmas en los conjuntos de imágenes anormales y contralaterales anormales.

Here, we are classifying as "new" all images with a confidence rating >3. Esto es consistente con una explicación de similitud de imágenes en la que los novatos serían más propensos a dar falsas alarmas ante nuevas imágenes en las condiciones anormales y anormales contralaterales simplemente porque estas imágenes son más similares entre sí que las imágenes en el conjunto normal (como lo predice la similitud sumada). relatos de la memoria; por ejemplo, Nosofsky, 1991).

En otras palabras, si las imágenes normales fueran algo más diferentes entre sí en comparación con las otras imágenes, esto podría explicar por qué los principiantes tienen algo mejor memoria para la condición normal (es decir, es más fácil determinar si una imagen de un perro es nueva si ese perro se presenta en una serie de animales diferentes que si se presenta en un conjunto de perros similares, los efectos de similitud en nuestros estímulos son mucho menores). Probamos esta hipótesis a continuación.

Análisis piramidal de matrices de similitud y ondas de Gabor

Probamos esta hipótesis de similitud de imágenes midiendo la similitud entre nuestras imágenes como se describe en los Métodos (Greene et al., 2016; Kay et al., 2008). Encontramos una mayor disimilitud entre las imágenes normales en relación con las imágenes contralaterales anormales y anormales (normal=0.174; anormal =0.139; contralateral-anormal=0.133). En otras palabras, las imágenes normales eran más diferentes, en promedio, entre sí (y por lo tanto más discriminables en la memoria) que las imágenes anormales o anormales contralaterales.

Esto es consistente con la hipótesis de que la pequeña diferencia en la memoria que favorece las imágenes normales está impulsada por diferencias en la similitud de imágenes entre los conjuntos. Por lo tanto, el pequeño beneficio de normalidad encontrado en el estudio actual es probablemente el resultado de la similitud de imágenes.

Fundamentalmente, esto puede proporcionar una base útil para considerar la memoria de las mismas imágenes en radiólogos expertos en el Experimento 2.

Experimento 2: radiólogos

El Experimento 2 fue el mismo que el Experimento 1, excepto que se realizó con observadores radiólogos.

Método

Participantes

Treinta y dos radiólogos expertos (14 mujeres participantes, edad promedio=49 años) fueron reclutados durante la conferencia de la Sociedad Radiológica de América del Norte (RSNA) de 2018 en Chicago, Illinois. Todos los radiólogos dieron su consentimiento informado y no recibieron compensación más allá de participar en una lotería para obtener una tarjeta de regalo de $500. Los procedimientos de consentimiento informado fueron aprobados por la Junta de Revisión Institucional de la Universidad de California, San Diego.

Los datos de los participantes se habrían excluido si tardaron menos de 15 minutos o más de 1 hora en completar el estudio, si tuvieron más del 80% de respuestas idénticas o si se excluyeron más del 20% de los ensayos. Según estas directrices, ningún radiólogo fue excluido del análisis, dejando una muestra final de 32 participantes.

Estímulos y procedimiento

Los estímulos y el diseño experimental fueron los mismos que los descritos en el Experimento 1. La principal diferencia de procedimiento fue que el experimento se llevó a cabo en la conferencia RSNA donde el experimentador explicó las instrucciones en persona.

A diferencia del Experimento 1, en el Experimento 2, dimos instrucciones más generales, preguntando por cualquier anomalía en lugar de pedir específicamente a los participantes que buscaran lesiones focales o cáncer: "Para cada imagen, juzgue si la imagen es anormal o normal y si la ha visto previamente durante el experimento". experimento."

Resultados

En esta sección, comparamos el desempeño de los radiólogos expertos con el desempeño de los participantes novatos en el Experimento 1. En particular, investigamos cómo los no expertos se comparan con los juicios de los expertos sobre la clasificación de imágenes (es decir, normales versus anormales) y, de manera crítica, si los expertos muestran memoria diferencial para imágenes anormales versus normales. Al analizar el desempeño de los expertos, tomamos en cuenta las idiosincrasias en nuestro conjunto de imágenes que aprendimos en el Experimento 1, como que nuestras imágenes normales son más diferentes y, por lo tanto, inherentemente ligeramente más memorables.

Rendimiento en la tarea de clasificación.

De manera similar al Experimento 1, primero analizamos el desempeño en la tarea de clasificación observando las calificaciones de confianza al clasificar cada imagen como normal o anormal. ¿Qué tan buenos son los radiólogos para distinguir simplemente imágenes anormales de normales? Como era de esperar, los radiólogos son muy buenos para distinguir anomalías (ver Fig. 6a). Los radiólogos estaban significativamente más seguros de que una imagen anormal era anormal en lugar de normal, t(31)=13.17, p < 0,001.

La Figura 6b muestra la curva ROC para distinguir imágenes focales anormales de imágenes normales en radiólogos. Las ROC se resumieron por área bajo la curva (AUC del radiólogo=0.72; recuerde que el AUC del novato=0.54).

Como se señaló en el Experimento 1, los controles están cerca de la línea diagonal indicativa de probabilidad, mientras que los radiólogos obtienen una ROC curvilínea típica indicativa de una diferencia percibida (y significativa) entre imágenes normales y anormales con un AUC muy por encima de la probabilidad, t(31)=19 0,8, p < 0,001. A continuación, analizamos si los radiólogos podían detectar anomalías en las imágenes anormales contralaterales.

No hubo una diferencia significativa entre las condiciones de imagen normal y contralateral-anormal, t(31)=0.43, p=.67. En el estudio original de Evans et al. (2016), encontraron un efecto de anomalía en la información esencial (es decir, en un tiempo de presentación muy corto de ~250 ms). Nuestras instrucciones y conjunto de estímulos pueden haber predispuesto a los participantes a no informar imágenes contralaterales como anormales.

En un conjunto de imágenes que incluyen lesiones visibles (los casos anormales) y en ausencia de una instrucción para buscar imágenes asintomáticas de pacientes sintomáticos (los casos contralaterales), tal vez no sea sorprendente que los radiólogos reservaran sus calificaciones anormales para los casos anormales con lesiones. Además, es posible que nuestras instrucciones hayan preparado a los radiólogos para buscar lesiones tanto benignas como malignas, aunque en el estudio actual no se encontraron lesiones benignas.

Estudios futuros podrían investigar los efectos de la instrucción en esta tarea. Recordemos, sin embargo, que nuestro interés en el presente experimento está en la memoria de los radiólogos para estas imágenes. Las imágenes anormales contralaterales, por ejemplo, aún podrían recordarse mejor si su apariencia vagamente sospechosa hiciera que los radiólogos les prestaran más atención.

Memoria para imágenes anormales.

La Figura 7 muestra el desempeño del radiólogo en la tarea de memoria. Los radiólogos tienen mejor memoria para imágenes anormales en ambas condiciones de memoria, pero la ventaja para imágenes anormales solo es significativa en la 30-condición de espalda, t(31)=2. 86, p =.008, diferencia AUC=.051.

Encontramos una ventaja de AUC de 0.02 para imágenes anormales en 3-parte posterior. Aunque esto no fue significativo, t(31)=1.62, p=.12, sigue la misma tendencia que la condición de la espalda 30-. Los radiólogos no mostraron ningún beneficio en la memoria para las imágenes anormales contralaterales. , incluso con retrasos prolongados (p=.24). Dado que los radiólogos no pudieron distinguir entre imágenes anormales contralaterales e imágenes normales en la tarea de clasificación, este resultado podría esperarse; Sin embargo, recordemos que estábamos buscando evidencia de que una esencia anormal reconocida implícitamente pudiera mejorar la memoria.

Eso no es lo que encontramos. En general, independientemente del tipo de imagen, los radiólogos tienen mejor memoria en la 3-espalda (AUC promedio de 0,852 para detectar 3-espaldas) que en la 30-espalda (AUC promedio de 0,752 para detectar 30- espalda) para imágenes médicas. ¿Por qué los radiólogos son mejores en la 3-espalda que en la 30-espalda? Si bien parece claro que esta diferencia refleja en gran medida los efectos típicos del olvido y la interferencia (por ejemplo, Wixted, 2005), también es posible que los observadores sean más propensos a "captar" la presencia de 3-la espalda en lugar de la { {10}}repeticiones posteriores.

Si es así, podrían adoptar una estrategia que dé prioridad a la 3-tarea posterior. Sin embargo, dado que las pruebas de espalda 3-y 30-fueron igualmente probables y distribuidas equitativamente a lo largo de la tarea, y que los observadores dijeron consistentemente que recordaban haber visto mamografías de 30 imágenes atrás (y por lo tanto eran claramente conscientes de que {{4} }back no fue la única prueba n-back presente), parece poco probable que los observadores hicieran la transición a una estrategia que solo priorizara 3-la tarea de memoria retrospectiva.

En conjunto, estos resultados sugieren que los expertos tienen mejor memoria general en la 3-espalda que en30-la espalda, pero que el beneficio de memoria para las imágenes anormales en comparación con las imágenes normales es significativo solo en la 30-espalda. En los estudios de memoria de reconocimiento, casi siempre se encuentra que las ROC no son consistentes con un modelo de detección de señales de igual varianza (por ejemplo, Egan, 1958; Wixted, 2007).

Una forma de ver esto es convertir las tasas de aciertos y falsas alarmas en puntuaciones z y trazar funciones zROC. En un gráfico zROC, la igualvarianza produce datos con una pendiente zROC de 1.0. En cambio, como es típico en las tareas de memoria de reconocimiento, las pendientes de nuestros zROC estaban confiablemente por debajo de 1.0 en 3 de las 4 condiciones de memoria. Ajustamos un modelo lineal de efectos mixtos con pendiente e intersección como factores aleatorios por sujeto (pendiente media[M]=0.68 para 3-regreso para imágenes normales, la diferencia de 1.0 : p < .0{{30}}1; M =1.05 para 30-regreso para imágenes normales, no diferente de 1, p {{19} }.60; M=0.52 para 3-dorso para imágenes anormales, p < 0,82 para 30-dorso para imágenes anormales, p=.005). Al colapsar en todas las condiciones, permitiendo así estimar la pendiente de manera más confiable, la pendiente media de zROC fue 0,68, significativamente diferente de 1,0 (p < 0,00001).

Entonces, en conjunto, las ROC que observamos en la memoria eran inconsistentes con un modelo de detección de señales de varianza igual y consistentes con un modelo de varianza desigual, potencialmente debido a la variación en la fuerza de la memoria entre diferentes elementos.

 Esto es típico de la memoria de reconocimiento y la razón por la que es necesario recopilar juicios de confianza y realizar un análisis ROC para evaluar la fortaleza de la memoria. La d' simple, en este contexto, no explica adecuadamente las diferencias en los criterios de respuesta (por ejemplo, Dougal y Rotello 2007).

For more information:1950477648nn@gmail.com