Notice bibliographique
Résumé
INTRODUCTION Acne is a condition with severe physical and psychological implications on chronic sufferers, affecting approximately 80 percent of people between the ages of 11 and 30, at some point in their lives. The purpose of the research was to create a prototype that has the potential track changes in the condition for a person suffering from acne, in order to provide an accurate and standardized tool of assessment. Such a tool would be useful in both clinical and research settings where qualitative and quantifiable results are needed [1]. These are normally hard to obtain due to the low reproducibility and high subjectivity of the assessment which often leads to high inter and intra variability in graders. METHODS Images of (20) patients with healthy skin, acne, and other conditions similar in appearance to acne were used to test the algorithm, LS-KMC, that is explained in the schematic in Figure 1. The left side outlines the previous method based on Ramli et al.’s work [2], RMH-KMC, for comparison. RESULTS The results show that LS-KMC outclasses the previous system, not just by its ability to automatically characterize the condition in the region of interest (ROI), but also by achieving higher scores across all relevant metrics in 19 of the 20 cases. DISCUSSION AND CONCLUSIONS We proposed a new acne recognition approach to extend the previous k-clustering method proposed by Ramli et al. to introduce a higher level of computer aided support for providing acne scores. The new algorithm includes a number of steps to automate the identification and classification of acne features. Previously used metrics failed to take into account the nature of the condition and lead to unrealistically high success rates. A new metric, Characterization Sensitivity , was proposed for identifying the relative success of acne recognition algorithms. The metric uses a weighted area technique with assigned coefficients to the areas of the lesions based on the Michaelson grading scale [3]. The results showed that the proposed Lucut-Smith k-clustering algorithm performs much better than the previous systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».