Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Human-AI Usikkerhedskalibrering til Forbedret Hudlæsionssegmentering

11. marts 2026 opdateret af: Julie Renata Bjerremand, Copenhagen Academy for Medical Education and Simulation

Effekten af Human-AI-Usikkerhedskalibrering vs. Kun AI-Usikkerhed på Diagnostisk Nøjagtighed af Human Eksperter for Hudlæsioner - et Randomiseret Kontrolleret Studie.

Formålet med denne randomiserede kontrollerede undersøgelse er at sammenligne effekten af en ny, personlig usikkerhedsbevidst beslutningsmodel (FDM) med en standard billedgenkendelsesmodel i forhold til at forbedre den diagnostiske nøjagtighed samtidig med at reducere diagnostisk usikkerhed hos erfarne dermatologer, der har til opgave at skelne mellem melanomer, føflekker og andre godartede hudlæsioner. Det vigtigste spørgsmål, den sigter mod at besvare: Er FDM en anvendelig metode til et forbedret menneske-AI partnerskab, hvor tillid opbygges, fejldiagnoser undgås, og usikkerhed indføres eller reduceres efter behov.

Undersøgerne forventer kun en lille stigning i den kollektive diagnostiske nøjagtighed for begge interventioner, da de menneskelige deltagere er dygtige dermatologer og derfor har høj nøjagtighed før interventionen.

Undersøgerne forventer at se en større stigning i diagnostisk sikkerhed for FDM-interventionen sammenlignet med den diagnostiske sikkerhed i Basis Model-interventionen.

Undersøgerne forventer at se et højere antal diagnoseændringer fra forkert til korrekt i FDM-gruppen sammenlignet med Basis Model-gruppen.

Undersøgerne forventer ikke nogen læringseffekt under undersøgelsen.

Deltagerne vil starte med at besvare en række træningscases bestående af billeder af hudlæsioner. Disse bruges til at træne deres individuelle FDM (kun for FDM-interventionsgruppen). Herefter vil deltagerne blive randomiseret i to grupper, der bestemmer, hvilken af de to interventioner de udsættes for. Deltagerne vil løse hver case uden nogen intervention først, og dette svar vil fungere som en kontrol.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

En detaljeret beskrivelse af FDM præsenteres i referencerne.

Undersøgelsestype

Interventionel

Tilmelding (Anslået)

50

Fase

  • Ikke anvendelig

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Beskrivelse

Inklusionskriterier:

  • Speciallæger i dermatologi med klinisk erfaring i dermoskopisk diagnostik.

Eksklusionskriterier:

  • Læger, der endnu ikke har afsluttet deres specialisering og dermatologer.
  • Dermatologer uden klinisk erfaring i dermoskopisk diagnostik.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Diagnostisk
  • Tildeling: Randomiseret
  • Interventionel model: Parallel tildeling
  • Maskning: Ingen (Åben etiket)

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Aktiv komparator: Basismodel

Studiedeltageren præsenteres for en patientcase inklusive patientdemografi (køn, alder, placering af læsion) og to billeder af læsionen: 1 overbliksbillede og 1 dermatoskopisk billede.
De bedes først angive en indledende diagnose sammen med deres selvopfattede usikkerhed for denne specifikke case, før de modtager Intervention 1.
Denne indledende diagnose vil fungere som kontrol.
Intervention 1 er AI-genererede multi-klasse sandsynligheder (fra en model trænet på et stort datasæt af dermatoskopiske og overbliksbilleder svarende til dem, der bruges til testning), og kun den mest sandsynlige diagnose præsenteres ledsaget af usikkerhedsestimater i procent.

Efter AI-inputtet får studiedeltageren mulighed for at ændre deres diagnose og angive eventuelle potentielle ændringer i usikkerhed.
Andet: Basismodel
Se armbeskrivelse.
Andre navne:
  • Intervention 1
Eksperimentel: FDM

Den indledende diagnose og indikation af selvopfattet usikkerhed følger samme procedure som for Intervention 1. Intervention 2 er den mest sandsynlige diagnose ledsaget af en kalibreret usikkerhed genereret af FDM-modellen (dvs. trænet på studiedeltagernes tidligere svar + crowd-annoteringer på træningsdataene + base model-forudsigelsen).

Efter AI-input får studiedeltageren mulighed for at ændre deres diagnose og angive eventuelle potentielle ændringer i usikkerhed.
Andet: FDM
Se armbeskrivelse
Andre navne:
  • Intervention 2
  • Endelig beslutningsmodel

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtighed
Tidsramme: Umiddelbart efter interventionen.
Diagnostisk nøjagtighed i at skelne mellem melanom, nævus og godartet keratose. Defineret som procentdelen af korrekte diagnoser. Sandheden er baseret på histopatologisk verificerede diagnoser.
Umiddelbart efter interventionen.

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Usikkerhed
Tidsramme: Umiddelbart efter interventionen.
Ændringer i selvrapporteret usikkerhed fra 0 (meget usikker) til 10 (meget sikker) fra før til efter intervention.
Umiddelbart efter interventionen.
Afskæring usikkerhed
Tidsramme: Umiddelbart efter indgrebet.
Den selvrapporterede usikkerhed for tilfælde, hvor deltageren har klikket på en "vil du diskutere denne sag med en kollega"-knap.
Umiddelbart efter indgrebet.

Andre resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Tid
Tidsramme: Umiddelbart efter interventionen.
Tid fra start til afslutning af hvert tilfælde med en opdelt tid svarende til slutningen af kontrolfasen (tidspunktet hvor "Vis AI-input"-knappen klikkes).
Umiddelbart efter interventionen.

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Copenhagen Academy for Medical Education and Simulation

Samarbejdspartnere

Technical University of Denmark

Efterforskere

  • Studiestol: Martin Tolsgaard, Professor, Copenhagen Academy for Medical Education and Simulation

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Generelle publikationer

  • Kampen, P.J.T. et al. (2026). Uncertainty-Aware Classification: A Human-Guided Bayesian Deep Learning Framework. In: Sudre, C.H., et al. Uncertainty for Safe Utilization of Machine Learning in Medical Imaging. UNSURE 2025. Lecture Notes in Computer Science, vol 16166. Springer, Cham. https://doi.org/10.1007/978-3-032-06593-3_19

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Anslået)

1. marts 2026

Primær færdiggørelse (Anslået)

1. juli 2026

Studieafslutning (Anslået)

1. november 2026

Datoer for studieregistrering

Først indsendt

29. januar 2026

Først indsendt, der opfyldte QC-kriterier

11. marts 2026

Først opslået (Faktiske)

12. marts 2026

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

12. marts 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

11. marts 2026

Sidst verificeret

1. marts 2026

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Andre undersøgelses-id-numre

  • F-25076782

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .

Kliniske forsøg med Hudlæsioner

Kliniske forsøg med Basismodel

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Equatorial Guinea

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner