Ihmisen ja tekoälyn epävarmuuden kalibrointi parannettua ihomuutosten segmentointia varten
Ihmisen ja tekoälyn epävarmuuden kalibroinnin vs. pelkän tekoälyn epävarmuuden vaikutus ihotautien diagnoosien tarkkuuteen ihmisasiantuntijoilla - satunnaistettu kontrolloitu tutkimus.
Tämän satunnaistetun kontrolloidun tutkimuksen tavoitteena on verrata uuden, personoidun epävarmuustietoiseen päätösmallin (FDM) vaikutusta standardiin kuvantunnistusmalliin parantamaan diagnoosien tarkkuutta samalla kun vähennetään diagnoosien epävarmuutta kokeneilla ihotautilääkäreillä, joiden tehtävänä on erottaa melanoomat, syntymämerkit ja muut hyvänlaatuiset ihomuutokset. Pääkysymys, johon tutkimus pyrkii vastaamaan: Onko FDM käyttökelpoinen menetelmä parantuneelle ihmisen ja tekoälyn kumppanuudelle, jossa luottamus rakennetaan, väärät diagnoosit vältytetään ja epävarmuus esitellään tai vähennetään asianmukaisesti.
Tutkijat odottavat näkevän vain pienen lisäyksen kollektiivisessa diagnoosien tarkkuudessa molemmissa interventioissa, koska ihmisosallistujat ovat taitavia ihotautilääkäreitä ja heillä on siten korkea tarkkuus ennen interventiota.
Tutkijat odottavat näkevän suuremman lisäyksen diagnoosien varmuudessa FDM-interventiossa verrattuna perusmallin interventioon.
Tutkijat odottavat näkevän suuremman määrän diagnoosien muutoksia virheellisestä oikeaan FDM-ryhmässä verrattuna perusmallin ryhmään.
Tutkijat eivät odota mitään oppimisvaikutusta tutkimuksen aikana.
Osallistujat aloittavat vastaamalla sarjaan harjoitustapauksia, jotka koostuvat ihomuutosten kuvista. Näitä käytetään heidän yksilöllisen FDM:n kouluttamiseen (vain FDM-interventioryhmälle). Tästä eteenpäin osallistujat satunnaistetaan kahteen ryhmään, jotka määrittävät, kumpaan kahdesta interventiosta he altistuvat. Osallistujat ratkaisevat jokaisen tapauksen ensin ilman mitään interventiota, ja tämä vastaus toimii kontrollina.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Julie Renata Bjerremand
- Puhelinnumero: +45 53593700
- Sähköposti: julierenata@outlook.com
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Lautakunnan sertifioimat dermatologit, joilla on kliinistä kokemusta dermoskooppisesta diagnoosista.
Poissulkemiskriteerit:
- Lääkärit, jotka eivät ole vielä suorittaneet erikoistumistaan ja dermatologit.
- Dermatologit ilman kliinistä kokemusta dermoskooppisesta diagnoosista.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Diagnostiikka
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Active Comparator: Perusmalli
Tutkimukseen osallistujalle esitetään potilastapaus, joka sisältää potilaan demografiset tiedot (sukupuoli, ikä, leesion sijainti) sekä kaksi leesion kuvaa: 1 yleiskuva ja 1 dermatoskooppinen kuva. Heitä pyydetään ensin ilmoittamaan alustava diagnoosi yhdessä itse koetun epävarmuuden kanssa tätä tapausta varten ennen kuin he saavat Intervention 1:n. Tämä alustava diagnoosi toimii kontrollina. Intervention 1 on tekoälyn luomia moniluokkaisia todennäköisyyksiä (mallista, joka on koulutettu suurella dermatoskooppisten ja yleiskuvien aineistolla, joka on samankaltainen kuin testaukseen käytetyt) ja vain todennäköisin diagnoosi esitetään yhdessä prosentteina ilmoitettujen epävarmuusarvioiden kanssa. Tekoälyn syötteen jälkeen tutkimukseen osallistujalla on mahdollisuus muuttaa diagnoosiaan ja ilmoittaa mahdollinen muutos epävarmuudessa. |
Katso ryhmän kuvaus.
Muut nimet:
|
|
Kokeellinen: FDM
Alkuperäinen diagnoosi ja itse koetun epävarmuuden osoittaminen noudattavat samaa menettelyä kuin Interventiossa 1. Interventio 2 on todennäköisin diagnoosi, johon liittyy FDM-mallin luoma kalibroitu epävarmuus (eli mallia on opetettu tutkimukseen osallistuneiden aiemmilla vastauksilla + joukkoannotointien avulla opetusdatalla + perusmallin ennusteen perusteella). Tekoälytiedon jälkeen tutkimukseen osallistujalla on mahdollisuus muuttaa diagnoosiaan ja ilmoittaa mahdollisesta epävarmuuden muutoksesta. |
Katso tutkimusryhmän kuvaus
Muut nimet:
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tarkkuus
Aikaikkuna: Välittömästi toimenpiteen jälkeen.
|
Diagnostinen tarkkuus melanooman, nevus- ja hyvänlaatuisen keratoosin erottamisessa.
Määritelty oikeiden diagnoosien prosenttiosuutena.
Todellisuus perustuu histopatologisesti vahvistettuihin diagnooseihin.
|
Välittömästi toimenpiteen jälkeen.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Epävarmuus
Aikaikkuna: Välittömästi interventioiden jälkeen.
|
Itsearvioidun epävarmuuden muutokset asteikolla 0 (erittäin epävarma) - 10 (erittäin varma) ennalta määrätyltä aikaväliltä interventiojaksolle.
|
Välittömästi interventioiden jälkeen.
|
|
Katkaisuepävarmuus
Aikaikkuna: Välittömästi toimenpiteen jälkeen.
|
Osallistujan itsearvioitu epävarmuus tapauksissa, joissa osallistuja on napsauttanut "haluaisitko keskustella tästä tapauksesta kollegasi kanssa"-painiketta.
|
Välittömästi toimenpiteen jälkeen.
|
Muut tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Aika
Aikaikkuna: Välittömästi toimenpiteen jälkeen.
|
Aika kunkin tapauksen alusta loppuun jaettuun aikaan, joka vastaa kontrollivaiheen loppua (aika, jolloin "Näytä tekoälysyöte"-painiketta napsautetaan).
|
Välittömästi toimenpiteen jälkeen.
|
Yhteistyökumppanit ja tutkijat
Yhteistyökumppanit
Tutkijat
- Opintojen puheenjohtaja: Martin Tolsgaard, Professor, Copenhagen Academy for Medical Education and Simulation
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Arvioitu)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muut tutkimustunnusnumerot
- F-25076782
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .