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 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».