The Development and Performance of a Machine-Learning Based Mobile Platform for Visually Determining the Etiology of 5 Penile Diseases
Notice bibliographique
Résumé
Objective: To develop a machine-learning visual classification algorithm for penile diseases in order to address disparities in access to sexual health services. Patients and Methods: We developed an image data set using original and augmented images for 5 penile diseases: herpes lesions, syphilitic chancres, balanitis, penile cancer, and genital warts. We used a U-Net architecture model for semantic pixel segmentation into background or subject image, an Inception-ResNet version 2 neural architecture to classify each pixel as diseased or nondiseased, and a salience map using GradCAM++. We trained the model on a random 91% sample of the images and evaluated the model on the remaining 9%, assessing recall (or sensitivity), precision, specificity, and F1-score. As of July 1st 2022, the model has been in use via a mobile application platform; we assessed application usage between July and October 1, 2023. Results: Of 239 images in the validation data set, 45 (18.8%) were of genital warts, 43 (18%) were of herpes simplex virus infection (ranging from early vesicles to ulcers), 29 (12.1%) were of penile cancer, 40 (16.7%) were of balanitis, 37 (15.5%) were of syphilitic chancres, and 45 (18.8%) were nondiseased images. The overall accuracy of the model for correctly classifying images was 0.944. There were 2640 unique submissions to the mobile platform; among a random sample (n=437), 271 (62%) were from the United States, 64 (14.6%) from Singapore, 41 (9.4%) from Canada, 40 (9.2%) from the United Kingdom, and 21 (4.8%) from Vietnam. Conclusion: We report on the development of a machine-learning model for classifying 5 penile diseases, which exhibited excellent performance.
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 | 0,001 | 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 ».