Demonstration of Convolutional Neural Networks to Determine Patch Test Reactivity
Notice bibliographique
Résumé
Abstract: Background: Convolutional neural networks (CNNs) have the potential to assist allergists and dermatologists in the analysis of patch tests. Such models can help reduce interprovider variability and improve consistency of patch test interpretations. Objective: Our aim is to evaluate the performance of a CNN model as a proof of concept in discriminating between patch tests with reactions and patch tests without reactions. Methods: We performed a retrospective analysis of patch test images from March 2020 to March 2021. The CNN model was trained as a binary classifier to discriminate between reaction and nonreaction patches. Performance of the model was determined using summary statistics and receiver operator characteristics (ROC) curves. Results: In total, 13,622 images from 125 patients were recorded for analysis. The majority of patients in the cohort were female (81.6%) with Fitzpatrick skin types I–II (88.0%). The area under curve was 0.940, indicating a high discriminative performance of the model for this data set. This resulted in a total accuracy of 90.1%, sensitivity of 86.0%, and specificity of 90.2%. Conclusions: CNNs have the capacity to determine the presence of delayed-type reactions in patch tests. Future prospective studies are required to assess the generalizability of such models.
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 ».