人类与人工智能不确定性校准用于改善皮肤病变分割
人类-AI不确定性校准与单独AI不确定性对皮肤病变专家诊断准确性影响的随机对照试验
这项随机对照研究的目标是，比较新型个性化不确定性感知决策模型（FDM）与标准图像识别模型在经验丰富的皮肤科医生区分黑色素瘤、痣和其他良性皮肤病变任务中的效果，旨在提高诊断准确性同时降低诊断不确定性。 研究主要探讨的问题是：FDM是否是一种可行的方法，能够改进人机协作，建立信任、避免误诊，并适当引入或减少不确定性。
研究者预计，由于人类参与者是熟练的皮肤科医生，干预前已有较高准确性，因此两种干预措施的集体诊断准确性仅会略有提高。
研究者预计，与基础模型干预相比，FDM干预在诊断确定性方面会有更显著的提升。
研究者预计，与基础模型组相比，FDM组中从错误诊断转变为正确诊断的数量会更高。
研究者预计在研究期间不会出现任何学习效应。
参与者将从回答一系列皮肤病变图像组成的训练案例开始。 这些案例用于训练他们的个性化FDM（仅适用于FDM干预组）。 此后，参与者将被随机分配到两个组中，决定他们接受哪种干预措施。 参与者将首先在无任何干预的情况下解决每个案例，此回复将作为对照。
研究概览
详细说明
研究类型
注册 (估计的)
阶段
- 不适用
联系人和位置
学习联系方式
- 姓名：Julie Renata Bjerremand
- 电话号码：+45 53593700
- 邮箱：julierenata@outlook.com
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
描述
纳入标准：
- 具有皮肤镜诊断临床经验的委员会认证皮肤科医生。
排除标准：
- 尚未完成专科培训的医生和皮肤科医生。
- 无皮肤镜诊断临床经验的皮肤科医生。
学习计划
研究是如何设计的？
设计细节
- 主要用途：诊断
- 分配：随机化
- 介入模型：并行分配
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
有源比较器：基础模型
研究参与者将看到一个患者案例，包括患者人口统计学信息（性别、年龄、病变部位）和两张病变图像：1张概览图像和1张皮肤镜图像。 在接收干预1之前，他们首先需要针对该特定案例表明初步诊断以及自我感知的不确定性。 该初步诊断将作为对照组。 干预1是AI生成的多类别概率（来自基于大规模皮肤镜和概览图像数据集训练的模型，这些图像与测试所用图像相似），仅呈现最可能的诊断，并附有百分比形式的不确定性估计。 在AI输入后，研究参与者有机会更改其诊断并表明任何潜在的不确定性变化。 |
参见治疗组描述。
其他名称：
|
|
实验性的：FDM
初步诊断和自我感知不确定性的指示遵循与干预1相同的程序。干预2是最可能的诊断，伴随由FDM模型生成的校准不确定性（即基于研究参与者先前答案、训练数据上的群体标注以及基础模型预测进行训练）。 在AI输入后，研究参与者有机会更改其诊断并指示任何潜在的不确定性变化。 |
请参阅研究组描述
其他名称：
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
准确性
大体时间：干预后立即。
|
区分黑色素瘤、痣和良性角化病的诊断准确性。
定义为正确诊断的百分比。
金标准基于组织病理学验证的诊断。
|
干预后立即。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
不确定性
大体时间：干预后立即。
|
从干预前到干预后，自我评估的不确定性变化范围从0（非常不确定）到10（非常确定）。
|
干预后立即。
|
|
截止不确定性
大体时间：干预后立即。
|
参与者点击了“您是否希望与同事讨论此病例”按钮的病例中，自我评估的不确定性。
|
干预后立即。
|
其他结果措施
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
时间
大体时间：干预后立即。
|
从每个病例开始到结束的时间，其中分割时间对应控制阶段结束（即点击“显示AI输入”按钮的时间）。
|
干预后立即。
|
合作者和调查者
调查人员
- 学习椅：Martin Tolsgaard, Professor、Copenhagen Academy for Medical Education and Simulation
出版物和有用的链接
一般刊物
- Kampen, P.J.T. et al. (2026). Uncertainty-Aware Classification: A Human-Guided Bayesian Deep Learning Framework. In: Sudre, C.H., et al. Uncertainty for Safe Utilization of Machine Learning in Medical Imaging. UNSURE 2025. Lecture Notes in Computer Science, vol 16166. Springer, Cham. https://doi.org/10.1007/978-3-032-06593-3_19
研究记录日期
研究主要日期
学习开始 (估计的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.