Incorporating demographics into a skin cancer diagnosis algorithm for Raman spectroscopy improves diagnostic specificity (Conference Presentation)
Notice bibliographique
Résumé
Background & objective: Skin cancer is a very common malignancy that occurs more frequently in fair skin and older individuals. Raman spectroscopy is a non-invasive optical technique that can be used as an adjunct for skin cancer diagnosis. The objective of this study is to evaluate whether incorporating patient demographics can improve skin cancer diagnosis based on Raman spectroscopy. Patients & Methods: Raman spectra of 731 lesions and their respective adjacent normal skin were measured in vivo using a real-time Raman spectrometer. The lesions were divided into skin cancers (including malignant melanoma, basal cell carcinoma, squamous cell carcinoma and precancerous lesion - actinic keratosis, n = 340) and benign skin lesions (including pigmented nevi and seborrheic keratosis, n = 391). Patient age, gender, skin type and location of the lesion were incorporated into the analysis. Multivariate statistical analysis including principal component and general discriminant analysis (PC-GDA) and partial least squares (PLS) are used for skin cancer discrimination based on leave-one-out cross-validation. Results: The posterior probability of being a cancer is significantly dependent on gender, age and location of the lesion (p<0.05) but independent of skin type (p>0.05). The area under the receiver operating characteristic curve (ROC) is increased from 0.905 (95%CI: 0.884-0.927) to 0.932 (95%CI: 0.919-0.945) after taking into account demographics. Correspondingly, the specificity is increased from 43.2% to 50.1% at sensitivity of 99%; and from 73.4% to 77.5% at sensitivity of 90%. Conclusions: The specificity is increased after incorporating demographics into the algorithm for skin cancer diagnosis based on Raman spectroscopy.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».