Kalibrering av mänsklig–AI-osäkerhet för förbättrad segmentering av hudläsioner

Syftet med denna randomiserade kontrollerade studie är att jämföra effekten av en ny, personanpassad osäkerhetsmedveten beslutsmodell (FDM) med en standard bildigenkänningsmodell för att förbättra diagnostisk noggrannhet samtidigt som diagnostisk osäkerhet minskar hos erfarna dermatologer som har i uppgift att skilja mellan melanom, födelsemärken och andra godartade hudförändringar. Den huvudsakliga frågan studien syftar att besvara: Är FDM en genomförbar metod för ett förbättrat människa-AI-partnerskap där förtroende byggs upp, feldiagnoser undviks och osäkerhet införs eller minskas på rätt sätt.

Forskarna förväntar sig endast en liten ökning av den kollektiva diagnostiska noggrannheten för båda interventionerna eftersom de mänskliga deltagarna är skickliga dermatologer och därmed har hög noggrannhet före intervention.

Forskarna förväntar sig en större ökning av diagnostisk säkerhet för FDM-interventionen jämfört med den diagnostiska säkerheten i basmodellinterventionen.

Forskarna förväntar sig ett större antal diagnosändringar från felaktig till korrekt i FDM-gruppen jämfört med basmodellgruppen.

Forskarna förväntar sig ingen inlärningseffekt under studiens gång.

Deltagarna börjar med att besvara en serie träningsfall som består av bilder på hudförändringar. Dessa används för att träna deras individuella FDM (endast för FDM-interventionsgruppen). Härifrån kommer deltagarna att randomiseras till två armar som avgör vilken av de två interventionerna de utsätts för. Deltagarna kommer att lösa varje fall utan någon intervention först, och detta svar kommer att fungera som en kontroll.