Kalibrering av usikkerhet mellom menneske og KI for forbedret segmentering av hudlesjoner

Målet med denne randomiserte kontrollerte studien er å sammenligne effekten av en ny, personlig usikkerhetsbevisst beslutningsmodell (FDM) med en standard bildegjenkjenningsmodell i å forbedre diagnostisk nøyaktighet samtidig som man reduserer diagnostisk usikkerhet hos erfarne hudleger som har til oppgave å skille mellom melanomer, føflekker og andre godartede hudforandringer. Hovedspørsmålet den tar sikte på å besvare er: Er FDM en gjennomførbar metode for et forbedret menneske-AI-partnerskap der tillit bygges, feildiagnoser unngås, og usikkerhet innføres eller reduseres på en hensiktsmessig måte.

Forskerne forventer å se bare en liten økning i kollektiv diagnostisk nøyaktighet for begge intervensjonene, ettersom de menneskelige deltakerne er dyktige hudleger og dermed har høy nøyaktighet før intervensjonen.

Forskerne forventer å se en større økning i diagnostisk sikkerhet for FDM-intervensjonen sammenlignet med den diagnostiske sikkerheten i Basis-modell-intervensjonen.

Forskerne forventer å se en større mengde diagnoseendringer fra feil til riktig i FDM-gruppen sammenlignet med Basis-modell-gruppen.

Forskerne forventer ikke noen læringseffekt under studien.

Deltakerne vil starte med å svare på en serie treningssaker som består av bilder av hudforandringer. Disse brukes til å trene deres individuelle FDM (kun for FDM-intervensjonsgruppen). Deretter vil deltakerne bli randomisert i to grupper som bestemmer hvilken av de to intervensjonene de blir utsatt for. Deltakerne vil løse hver sak uten noen intervensjon først, og dette svaret vil fungere som en kontroll.