Calibration de l'incertitude Humain-IA pour une meilleure segmentation des lésions cutanées
Effet de l'étalonnage de l'incertitude homme-IA vs. incertitude de l'IA seule sur la précision diagnostique des experts humains pour les lésions cutanées - un essai contrôlé randomisé.
L'objectif de cette étude contrôlée randomisée est de comparer l'effet d'un nouveau modèle de décision personnalisé prenant en compte l'incertitude (FDM) à un modèle standard de reconnaissance d'images pour améliorer la précision diagnostique tout en réduisant l'incertitude diagnostique chez des dermatologues expérimentés chargés de différencier les mélanomes, les grains de beauté et autres lésions cutanées bénignes. La question principale à laquelle elle vise à répondre : Le FDM est-il une méthode viable pour un partenariat homme-IA amélioré dans lequel la confiance est établie, les erreurs de diagnostic sont évitées et l'incertitude est dûment introduite ou réduite.
Les investigateurs s'attendent à voir seulement une légère augmentation de la précision diagnostique collective pour les deux interventions, car les participants humains sont des dermatologues compétents et ont donc une grande précision avant l'intervention.
Les investigateurs s'attendent à voir une augmentation plus importante de la certitude diagnostique pour l'intervention FDM par rapport à la certitude diagnostique dans l'intervention avec le modèle de base.
Les investigateurs s'attendent à voir un plus grand nombre de changements de diagnostic d'incorrect à correct dans le groupe FDM par rapport au groupe du modèle de base.
Les investigateurs ne s'attendent à aucun effet d'apprentissage pendant l'étude.
Les participants commenceront par répondre à une série de cas d'entraînement composés d'images de lésions cutanées. Celles-ci sont utilisées pour entraîner leur FDM individuel (uniquement pour le groupe d'intervention FDM). À partir de là, les participants seront randomisés en deux bras déterminant à laquelle des deux interventions ils sont exposés. Les participants résoudront chaque cas sans aucune intervention d'abord, et cette réponse servira de témoin.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Type d'étude
Inscription (Estimé)
Phase
- N'est pas applicable
Contacts et emplacements
Coordonnées de l'étude
- Nom: Julie Renata Bjerremand
- Numéro de téléphone: +45 53593700
- E-mail: julierenata@outlook.com
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critères d'inclusion :
- Dermatologues certifiés ayant une expérience clinique en diagnostic dermoscopique.
Critères d'exclusion :
- Médecins n'ayant pas encore terminé leur spécialisation et dermatologues.
- Dermatologues sans expérience clinique en diagnostic dermoscopique.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Diagnostique
- Répartition: Randomisé
- Modèle interventionnel: Affectation parallèle
- Masquage: Aucun (étiquette ouverte)
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
|---|---|
|
Comparateur actif: Modèle de base
Le participant à l'étude se voit présenter un cas patient comprenant des données démographiques (sexe, âge, localisation de la lésion) et deux images de lésion : une image d'ensemble et une image dermoscopique. Il est d'abord invité à indiquer un diagnostic initial ainsi que son incertitude perçue pour ce cas spécifique avant de recevoir l'Intervention 1. Ce diagnostic initial servira de contrôle. L'Intervention 1 consiste en des probabilités multi-classes générées par IA (provenant d'un modèle entraîné sur un vaste ensemble de données d'images dermoscopiques et d'ensemble similaires à celles utilisées pour les tests), et seul le diagnostic le plus probable est présenté, accompagné d'estimations d'incertitude en pourcentage. Après l'apport de l'IA, le participant à l'étude a la possibilité de modifier son diagnostic et d'indiquer tout changement potentiel dans son incertitude. |
Voir la description du bras.
Autres noms:
|
|
Expérimental: FDM
Le diagnostic initial et l'indication de l'incertitude auto-perçue suivent la même procédure que pour l'intervention 1. L'intervention 2 est le diagnostic le plus probable accompagné d'une incertitude calibrée générée par le modèle FDM (c'est-à-dire entraîné sur les réponses précédentes des participants à l'étude + les annotations de la foule sur les données d'entraînement + la prédiction du modèle de base). Après l'entrée de l'IA, le participant à l'étude a la possibilité de modifier son diagnostic et d'indiquer tout changement potentiel dans l'incertitude. |
Voir la description du bras
Autres noms:
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Précision
Délai: Immédiatement après l'intervention.
|
Exactitude diagnostique pour différencier le mélanome, le nævus et la kératose bénigne.
Définie comme le pourcentage de diagnostics corrects.
La vérité de référence est basée sur des diagnostics vérifiés histopathologiquement.
|
Immédiatement après l'intervention.
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Incertitude
Délai: Immédiatement après l'intervention.
|
Changements dans l'incertitude auto-évaluée allant de 0 (très incertain) à 10 (très certain) de la pré- à la post-intervention.
|
Immédiatement après l'intervention.
|
|
Incertitude de coupure
Délai: Immédiatement après l'intervention.
|
L'incertitude auto-évaluée des cas où le participant a cliqué sur un bouton « souhaitez-vous discuter de ce cas avec un collègue ».
|
Immédiatement après l'intervention.
|
Autres mesures de résultats
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Temps
Délai: Immédiatement après l'intervention.
|
Temps du début à la fin de chaque cas avec un temps fractionné correspondant à la fin de la phase de contrôle (lorsque le bouton "Afficher l'entrée IA" est cliqué).
|
Immédiatement après l'intervention.
|
Collaborateurs et enquêteurs
Collaborateurs
Les enquêteurs
- Chaise d'étude: Martin Tolsgaard, Professor, Copenhagen Academy for Medical Education and Simulation
Publications et liens utiles
Publications générales
- 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
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Estimé)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Autres numéros d'identification d'étude
- F-25076782
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .