The AI-powered pathologist: A global survey mapping initial trends in AI adoption and outlook
Notice bibliographique
Résumé
The rise of artificial intelligence (AI)-driven tools like ChatGPT is transforming professional fields, including pathology. This study provides early insights into how pathology trainees and practicing pathologists are integrating AI into their training and clinical practice. To assess adoption, usage patterns, perceptions, and challenges related to AI-driven tools, including large language models and vision-language models, among pathology professionals. The study also explores future directions for AI integration. A cross-sectional, anonymous survey was distributed electronically to pathology residents, fellows, and attending pathologists through the Accreditation Council for Graduate Medical Education program director registry, professional organizations, and social media (X, Reddit, LinkedIn, and The Pathologist email listserv). The survey included multiple-choice, Likert-scale, and open-ended questions on AI familiarity, usage, perceived benefits/risks, and institutional policies. Data were analyzed using descriptive and inferential statistics, with qualitative responses categorized thematically. A total of 268 respondents participated, primarily residents (41%), attendings (39%), and fellows (7%), representing 23 countries (65% from the USA). Most were affiliated with academic medical centers (72%) and aged 25–44. Whereas 73% reported some familiarity with AI, actual use was limited, 31% reported rare use and 29% no use at all, especially among residents and attendings. ChatGPT was the most used tool (84%), applied mainly for document drafting (57%), research (54%), and administrative tasks (34%). Diagnostic use was minimal. Top concerns included accuracy (81%), over-reliance (65%), and data security (63%). Only 10% reported having clear institutional AI guidelines. Familiarity was strongly associated with usage frequency ( p < 0.00001). AI is increasingly used in non-diagnostic areas of pathology but adoption remains cautious. Significant gaps in clinical application, trust, and institutional support persist. Clear guidelines, targeted education, and robust validation are essential for safe, effective AI integration into pathology practice and training. • Most respondents were only somewhat familiar with AI and rarely used it, favoring ChatGPT when they did. • AI was used mostly for drafting, research, and administrative tasks, not diagnostics. • Respondents were mainly concerned about AI errors, privacy, and unclear guidelines. • Views on AI were mixed, with some seeing benefits for efficiency and others worried about reliability and job loss.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».