Kalibracja niepewności człowiek-sztuczna inteligencja dla poprawionej segmentacji zmian skórnych

Celem tego randomizowanego badania kontrolowanego jest porównanie wpływu nowego, spersonalizowanego modelu decyzyjnego uwzględniającego niepewność (FDM) ze standardowym modelem rozpoznawania obrazów na poprawę dokładności diagnostycznej przy jednoczesnym zmniejszeniu niepewności diagnostycznej u doświadczonych dermatologów, których zadaniem jest rozróżnienie czerniaków, znamion i innych łagodnych zmian skórnych. Główne pytanie, na które ma odpowiedzieć badanie: Czy FDM jest wykonalną metodą dla ulepszonej współpracy człowieka z AI, w której budowane jest zaufanie, unika się błędnych diagnoz, a niepewność jest odpowiednio wprowadzana lub redukowana.

Badacze spodziewają się jedynie niewielkiego wzrostu zbiorowej dokładności diagnostycznej dla obu interwencji, ponieważ uczestnicy badania to wykwalifikowani dermatolodzy, którzy już przed interwencją osiągają wysoką dokładność.

Badacze spodziewają się większego wzrostu pewności diagnostycznej w interwencji FDM w porównaniu z pewnością diagnostyczną w interwencji Modelu Bazowego.

Badacze spodziewają się większej liczby zmian diagnozy z nieprawidłowej na prawidłową w grupie FDM w porównaniu z grupą Modelu Bazowego.

Badacze nie spodziewają się żadnego efektu uczenia się podczas badania.

Uczestnicy rozpoczną od odpowiedzi na serię przypadków treningowych składających się ze zdjęć zmian skórnych. Służą one do wytrenowania ich indywidualnego FDM (tylko dla grupy interwencji FDM). Następnie uczestnicy zostaną randomizowani do dwóch ramion określających, której z dwóch interwencji są poddawani. Uczestnicy rozwiążą każdy przypadek najpierw bez żadnej interwencji, a ta odpowiedź posłuży jako kontrola.