Deep Learning Skin Disease Classifiers: Current Status and Future Prospects
Notice bibliographique
Résumé
Background Most studies on deep learning skin disease classifiers are done with binary classifications (ie, classifying lesions into malignant and benign). However, dermatology practice involves a large number of inflammatory and infective conditions that are not easily diagnosed by nondermatologist physicians. Objective The aim of this study is to develop a machine learning–based smartphone app for multiclass skin disease classification and evaluate its performance in different levels of dermatology practice. We will also explore similar studies in the literature. Methods We developed an artificial intelligence–driven smartphone app for 40 common skin diseases and tested it in primary care, tertiary care, and private practice settings. Results In the clinical study, the overall top-1 accuracy was 75.07% (95% CI 73.75%-76.36%), top-3 accuracy was 89.62% (95% CI 88.67%-90.52%), and the mean area under the curve was 0.90 (SD 0.07). Multimedia Appendix 1 shows the top-1 positive predictive values and negative predictive values from a clinical study of 35 diseases using the developed mobile health app on patients. In the literature, there are very few studies on image-based deep learning multiclass classification of common skin diseases and none of them included evaluations in actual clinical settings. Conclusions An artificial intelligence–driven smartphone app has the potential to improve the diagnosis and management of skin diseases in patients with skin of color. Nondermatologist, primary care physicians are likely to benefit from having access to such an app. Acknowledgments Nurithm Labs collaborated with the All India Institute Of Medical Science to develop this smartphone app. Other collaborators in this work include Rashi Pangti, Jyoti Mathur, Vikas Chouhan, Sharad Kumar, Lavina Rajput, Sandesh Shah, Atula Gupta, Ambika Dixit, Dhwani Dholakia, Sanjeev Gupta, Savera Gupta, Mariam George, and Vinod Kumar Sharma. 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 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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».