皮肤科医生对AI临床决策支持系统的心理依赖因素：基于信任与经验的多维度实验研究

为解决AI临床决策支持系统（CDSS）在医疗实践中依赖度不足或过度的问题，研究人员针对223名皮肤科医生开展实验，探究心理因素（如技术信任倾向、医学经验）如何影响对AI建议的适当依赖（RAIR/RSR）。结果显示，医生更倾向自我依赖（RSR 85.6%），且医学经验负向预测AI依赖，而技术信任倾向通过信任中介正向影响依赖行为。该研究为优化人机协作设计提供了关键依据。

　　

在医疗人工智能（AI）快速发展的今天，AI临床决策支持系统（CDSS）已成为辅助医生决策的重要工具。然而，一个关键矛盾始终存在：医生对AI建议的依赖既可能不足（导致错失正确建议），也可能过度（盲目跟随错误建议）。这种依赖失衡不仅影响诊断准确性，更可能引发伦理和法律风险。尤其在皮肤癌诊断等高风险领域，AI系统如卷积神经网络（CNN）虽能达到与专业医生相当的准确度，但医生如何平衡自我判断与AI建议，成为实现"人机协作"的核心挑战。

德国杜伊斯堡-埃森大学的研究团队在《Journal of Medical Internet Research》发表了一项开创性研究。他们通过精心设计的在线实验，招募223名平均从业15年的皮肤科医生，采用皮肤病变图像分类任务（24组图像，含5组AI故意误判案例），结合心理学量表（技术信任倾向、技术亲和力等），首次系统揭示了影响医生对AI依赖的心理机制。研究创新性地引入相对AI依赖（RAIR）和相对自我依赖（RSR）指标，量化了"适当依赖"这一抽象概念。

关键技术方法包括：1）基于皮肤病变图像的二阶段分类实验设计（初始判断→AI建议→最终决策）；2）权重建议（WoA）算法量化依赖程度；3）心理学量表（如Wischnewski信任量表、Franke技术亲和力量表）；4）结构方程模型分析心理因素与依赖行为的关联。

主要结果
准确性及依赖模式
数据显示，AI辅助仅使诊断准确率提升1%（P<0.001，Cohen d=4.5），但医生表现出显著的选择性依赖：对正确建议的依赖强度（WoA=0.1）高于错误建议（P<0.001）。RAIR仅10.04%，而RSR高达85.6%，揭示医生普遍倾向坚持自我判断。

信任、依赖与信心的关系
信任显著正向预测RAIR（解释24.1%方差）且负向预测RSR（21%方差）。但与传统假设不同，决策信心（通过滑块位置代理测量）未显著调节信任与依赖的关系（P=0.88），而是独立关联：高信心决策更少采纳AI建议（与RSR正相关）。

心理因素与医学经验的作用
技术信任倾向通过提升信任间接增加AI依赖（间接效应=0.024，95%CI 0.008-0.042），而医学经验则通过降低信任减少依赖（间接效应=-0.001，95%CI -0.002至-0.001）。值得注意的是，技术亲和力、控制信念等传统技术接受因素未显示显著影响，突显医疗场景的特殊性。

讨论与意义
这项研究首次在专业医疗群体中验证了"适当依赖"的双向性：医生虽能部分识别AI错误（支持假设1），但整体仍过度依赖自身经验（低RAIR）。这一发现与Küper和Kr?mer在非专业人群中的研究形成鲜明对比，证实领域专业知识会显著改变人机交互模式。

研究揭示了医学经验的"双刃剑"效应：经验丰富者更少被错误AI误导（高RSR），但也更可能忽视正确建议（低RAIR）。这为CDSS设计提供了关键启示：对新手医生需强化AI错误警示（如通过可解释AI技术），而对专家则应设计激励机制促使其重新评估与AI的分歧。

值得注意的是，技术信任倾向的强预测作用表明，系统开发需纳入用户心理特征评估。相比之下，技术亲和力等传统因素的失效提示，医疗AI设计不能简单套用通用技术接受模型，必须结合专业决策场景的特殊性。

该研究的局限在于未测试可解释AI（XAI）对依赖行为的影响，未来研究可探索如何通过解释性界面平衡经验与算法建议。此外，医学经验与AI依赖的非线性关系（如5年阈值效应）仍需更大样本验证。

这些发现为医疗AI的"人机协作"优化提供了实证基础：既警示了盲目依赖技术的风险，也为构建"医生-AI"互补体系指明了方向。正如作者强调，理想的CDSS应像"值得信赖的同事"，既能被质疑，也能质疑他人——这正是医疗AI走向成熟的关键一步。