Predicting psoriasis severity using machine learning: a systematic review
Notice bibliographique
Résumé
BACKGROUND: In dermatology, the applications of machine learning (ML), an artificial intelligence (AI) subset that enables machines to learn from experience, have progressed past the diagnosis and classification of skin lesions. A lack of systematic reviews exists to explore the role of ML in predicting the severity of psoriasis. OBJECTIVES: To identify and summarize the existing literature on predicting psoriasis severity using ML algorithms and to identify gaps in -current clinical applications of these tools. METHODS: OVID Embase, OVID MEDLINE, ACM Digital Library, Scopus and IEEE Xplore were searched from inception to August 2024. RESULTS: In total, 30 articles met our inclusion criteria and were included in this review. One article used serum biomarkers, while the remaining 29 used image-based models. The most common severity assessment score employed by these ML models was the Psoriasis Area and Severity Index score, followed by body surface area, with 15 and 5 articles, respectively. CONCLUSIONS: The small size and heterogeneity of the existing body of literature are the primary limitations of this review. Progress in assessing skin lesion severity through ML in dermatology has advanced, but prospective clinical applications remain limited. ML and AI promise to improve psoriasis management, especially in nonimage-based applications requiring further exploration. Large-scale prospective trials using diverse image datasets are necessary to evaluate and predict the clinical value of these predictive AI 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 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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».