Notice bibliographique
Résumé
Background Skin diseases affect 2.3 billion people globally. Due to the scarcity of dermatologists, 2 in 3 cases are seen by primary care physicians (PCPs), who have lower diagnostic accuracy. Published studies have shown that the diagnostic accuracy of a PCP or general practitioner is close to 50%. Objective The aim of this study was to build artificial intelligence (AI) classifiers across 26 and 54 common and urgent adult rashes that present in a primary care setting. Methods We trained our AI models with approximately 50,000 total photos. The number of images within each disease or class ranged from 76 to 5505. Additionally, we further tested narrowing the differential diagnosis by adding body part information to identify how this impacts top-5 accuracy for one condition. Results Overall, we trained an AI model to identify 26 classes on par with the accuracy level of a dermatologist, who is, on average, 75% top-3 accurate across 26 conditions. Additionally, we trained the AI model across 54 conditions and achieved 74.3% top-5 accuracy across common conditions and 79.2% top-5 accuracy across urgent conditions. In evaluating if body part information may increase top-5 accuracy, we saw top-5 accuracy for one condition increase from 67% to 97%. Conclusions Overall, we concluded that including body part information to down-select possible disease matches substantially increased the overall differential diagnosis accuracy for body region–specific conditions. We also concluded that AI may assist PCPs to identify the most likely skin conditions quickly in a clinical encounter, improve overall diagnostic accuracy, and inform the most appropriate next step for the patient. These promising findings highlight the need and potential of AI and clinical decision support to augment the ability of PCPs to accurately and confidently evaluate patients with skin conditions. Conflicts of Interest SC is the cofounder and chief executive officer of Piction Health, a company focused on using AI to help augment frontline providers’ clinical decision making to save time and improve outcomes for patients with skin diseases. SC also holds shares in Piction Health.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,004 |
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 ».