개선된 피부 병변 분할을 위한 인간-AI 불확실성 교정

이 무작위 대조 연구의 목적은 흑색종, 모반 및 기타 양성 피부 병변을 구분하는 숙련된 피부과 의사들의 진단 정확도를 향상시키고 진단 불확실성을 줄이는 데 있어 새로운 개인 맞춤형 불확실성 인식 결정 모델(FDM)과 표준 이미지 인식 모델의 효과를 비교하는 것입니다. 주요 질문은 다음과 같습니다: FDM이 신뢰를 구축하고 오진을 피하며 불확실성을 적절히 도입하거나 줄이는 개선된 인간-AI 협업을 위한 실행 가능한 방법인가?

연구자들은 두 중재 모두에 대해 집단 진단 정확도가 약간만 증가할 것으로 예상합니다. 이는 인간 참가자들이 숙련된 피부과 의사이므로 중재 전에 이미 높은 정확도를 가지고 있기 때문입니다.

연구자들은 FDM 중재에서 기본 모델 중재에 비해 진단 확신이 더 크게 증가할 것으로 예상합니다.

연구자들은 FDM 그룹에서 기본 모델 그룹에 비해 부정확한 진단에서 정확한 진단으로의 변경이 더 많을 것으로 예상합니다.

연구자들은 연구 중에 어떠한 학습 효과도 예상하지 않습니다.

참가자는 피부 병변 이미지로 구성된 일련의 훈련 사례에 답변하는 것으로 시작합니다. 이는 개별 FDM(오직 FDM 중재 그룹만 해당)을 훈련시키는 데 사용됩니다. 여기서부터 참가자는 두 중재 중 어느 것에 노출될지를 결정하는 두 그룹으로 무작위 배정됩니다. 참가자는 먼저 어떠한 중재 없이 각 사례를 해결할 것이며, 이 답변은 대조군 역할을 할 것입니다.