The Role of Standards in Accelerating the Uptake of Artificial Intelligence in Dermatology
Notice bibliographique
Résumé
Background The use of artificial intelligence (AI) for dermatology is showing great promise in research contexts. However, the clinical use of AI in dermatology is still limited. The uptake of medical imaging standards for dermatology imaging is also limited. Standards adoption is more widespread in other imaging specialties (eg, radiology) as is the clinical use of AI. Digital Image Communication in Medicine (DICOM) is the standard for medical imaging. DICOM standardizes image formats and associated metadata. Further, DICOM facilitates interoperability between actors in the digital health ecosystem. Objective This study aimed to identify how medical imaging standards, in particular DICOM, can support the clinical use of AI. Methods Design Science Research Methodology was used to determine the role of DICOM in AI-based medical imaging workflows. Scenarios were identified and synthesized using expert consensus. Results The key benefits of using DICOM to improve the clinical use of AI were the potential to encode artefacts derived from the AI process as DICOM objects and store them alongside the original images. Such objects include downsized or down-sampled images, segmentation objects, or visual explainability maps (eg, class activation maps). DICOM can facilitate interoperability between actors in the medical imaging workflow pipeline and permits the inclusion of AI evidence creators in this pipeline. Owing to standardized image formats and metadata, DICOM can be beneficial for the curation of multi-institutional data sets. The key challenge of using DICOM is limited uptake in some specialties including dermatology. Conclusions DICOM offers potential to accelerate the clinical adoption of AI in dermatology by addressing several technological issues. More widespread uptake of DICOM in dermatology imaging is required to achieve this potential. 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 | 0,316 | 0,384 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,018 |
| Communication savante | 0,021 | 0,023 |
| Science ouverte | 0,005 | 0,020 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».