Калибровка неопределенности Человек-ИИ для улучшенной сегментации кожных поражений

Цель данного рандомизированного контролируемого исследования — сравнить влияние новой персонализированной модели принятия решений с учётом неопределённости (FDM) и стандартной модели распознавания изображений на повышение точности диагностики при одновременном снижении диагностической неопределённости у опытных дерматологов, задача которых — дифференцировать меланомы, родинки и другие доброкачественные поражения кожи. Основной вопрос, на который оно направлено ответить: является ли FDM осуществимым методом для улучшенного партнёрства человека и ИИ, в котором формируется доверие, избегаются ошибочные диагнозы, а неопределённость должным образом вводится или снижается.

Исследователи ожидают увидеть лишь незначительное повышение общей диагностической точности для обоих вмешательств, поскольку участники-люди являются квалифицированными дерматологами и, следовательно, имеют высокую точность до вмешательства.

Исследователи ожидают увидеть большее повышение диагностической уверенности для вмешательства FDM по сравнению с диагностической уверенностью при вмешательстве базовой модели.

Исследователи ожидают увидеть большее количество изменений диагноза с неверного на верный в группе FDM по сравнению с группой базовой модели.

Исследователи не ожидают какого-либо эффекта обучения в ходе исследования.

Участники начнут с ответов на серию тренировочных случаев, состоящих из изображений поражений кожи. Они используются для обучения их индивидуальной FDM (только для группы вмешательства FDM). Затем участники будут рандомизированы в две группы, определяющие, к какому из двух вмешательств они будут подвергнуты. Участники будут решать каждый случай сначала без какого-либо вмешательства, и этот ответ будет выступать в качестве контроля.