🤖 其他交叉类型 【Nat Med】 Nature Medicine
IF 58.7 中科院 1 区 Top
可解释性 AI 在皮肤病学诊断中对临床医师与公众的分歧性影响（Nature Medicine）
Divergent impacts of explainable AI for dermatological diagnosis on clinicians versus lay people
💡 agy 解读主要内容与核心结论
本项 Nature Medicine 重磅研究发现，全肤色公平性算法显著提升了公众与全科医师的皮肤病变鉴别准确度并消除了深肤色差异。然而，多模态 LLM 解释表现出分歧性“双刃剑”效应：公众极易产生自动化偏差（AI 错误时易被误导），而资深临床医师具备极强纠错韧性；决策前过早呈现 AI 预测易诱发认知锚定效应，为临床“人机协同系统”的人因工程设计提供了关键准则。
🔬 研究方法与样本量
涵盖623名公众与153名初级保健医师的大规模双重对照实验，评估公平性约束皮肤AI模型与多模态大语言模型（LLM）解释对诊断决策的动态影响
🎯 核心机制与分子靶点
多模态大语言模型（LLM）因果逻辑链、跨肤色视觉特征公平性约束优化、认知锚定与自动化偏差人机交互回路
🤖 分类：其他交叉类型📖 阅读单篇独立精读 →
- 文献原题：Divergent impacts of explainable AI for dermatological diagnosis on clinicians versus lay people
- 发表期刊：Nature Medicine（IF: 58.7 | 中科院 1 区 Top | JCR Q1）
- 🔗 DOI 直达：10.1038/s41591-026-04553-w | 🏛️ PubMed PMID：
42552380 - 研究方法与样本量：涵盖623名公众与153名初级保健医师的大规模双重对照实验，评估公平性约束皮肤AI模型与多模态大语言模型（LLM）解释对诊断决策的动态影响
- 核心机制与分子靶点：多模态大语言模型（LLM）因果逻辑链、跨肤色视觉特征公平性约束优化、认知锚定与自动化偏差人机交互回路
💡 agy 解读主要内容与核心结论
本项 Nature Medicine 重磅研究发现，全肤色公平性算法显著提升了公众与全科医师的皮肤病变鉴别准确度并消除了深肤色差异。然而，多模态 LLM 解释表现出分歧性“双刃剑”效应：公众极易产生自动化偏差（AI 错误时易被误导），而资深临床医师具备极强纠错韧性；决策前过早呈现 AI 预测易诱发认知锚定效应，为临床“人机协同系统”的人因工程设计提供了关键准则。
📊 核心临床 / 实验数据
- 公平性约束效益：经全肤色平衡优化的皮肤 AI 模型有效缩小了不同肤色人群的诊断表现鸿沟，在深色皮肤群组中误诊率大幅下降。
- 多模态 LLM 解释的差异化影响：对于普通公众，LLM 提供的文字可解释性在模型预测正确时大幅提升诊断准确率，但在模型给出错误答案时反而导致严重的“自动化偏差”（被错误解释误导）；而全科专科医师对 LLM 解释表现出高度纠错韧性，不受错误解释的负向干扰。
- 时序认知锚定风险：实验证明，若在医生独立做出判断之前便显示 AI 诊断提示，会导致显著的认知锚定偏差（Anchoring Bias），降低整体最终准确率。
🩺 专家临床启示与转化视角
本研究为医疗级 AI 辅助诊断系统的产品交互设计敲响了警钟：医疗大模型不能简单作为前端“直出诊断”工具，而应设计为“医生自主研判后置触发”、“双人复核校验”的辅助质控终端；面对患者端 APP 时，必须严格限制自动化强归因解释，防止患者因模型幻觉发生误导性延误就医。