Artificial Intelligence Support for Skin Lesion Triage in Primary Care and Dermatology
Notice bibliographique
Résumé
Background Primary care providers, dermatology specialists, and health care access are key components of primary prevention, early diagnosis, and treatment of skin cancer. Artificial intelligence (AI) offers the promise of diagnostic support for nonspecialists, but real-world clinical validation of AI in primary care is lacking. Objective We aimed to (1) assess the reliability of an AI-based clinical triage algorithm in classifying benign and malignant skin lesions and (2) evaluate the quality of images obtained in primary care using the study camera (3Gen DermLite Cam v4 or similar). Methods This was a single-center, prospective, double-blinded observational study with a predetermined study design. We recruited participants with suspected skin cancer in 20 primary care practices who were referred for assessment via teledermatology. A second set of photographs taken using a standardized camera was processed by the AI algorithm. We evaluated the image quality and compared two teledermatologists’ diagnoses by consensus (the “gold standard”) with AI and histology where applicable. Results Our primary outcome assessment stratified 391 skin lesions by management as benign, uncertain, or malignant. Uncertain lesions were not included in the sensitivity and specificity analyses. Uncertain lesions included lesions that had either diagnostic or management uncertainties. For the remaining 242 lesions, the sensitivity was 97.26% (95% CI 93.13%-99.25%) and the specificity was 97.92% (95% CI 92.68%-99.75%). The AI algorithm was compared with the histological diagnoses for 123 lesions. The sensitivity was 100% (95% CI 95.85%-100%) and the specificity was 72.22% (95% CI 54.81%-85.80%). Conclusions The AI algorithm demonstrates encouraging results, with high sensitivity and specificity, concordant with previous AI studies. It shows potential as a triage tool in conjunction with teledermatology to augment health care and improve access to dermatology. Further real-life studies need to be conducted on a larger scale to assess the reliability, usability, and cost-effectiveness of the algorithm in primary care. Acknowledgments MoleMap NZ, who developed the AI algorithm, provided some funding for this study. HT's salary was partially sponsored by MoleMap NZ, who developed the AI algorithm. AB is a shareholder and consultant to Molemap Ltd provider of the AI algorithm. Conflicts of Interest None declared.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 0,000 |
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 tête enseignante, 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 ».