Leveraging Machine Learning & Mobile Application Technology for Vitiligo Management: A Proof-of-Concept
Notice bibliographique
Résumé
Abstract Vitiligo, a dermatological condition characterized by depigmented patches on the skin, affects up to 2% of the global population. Its management is complex, often hindered by delayed diagnosis due to limited access to dermatologists and/ digital tools. Recent advancements in machine learning (ML) offer a potential solution by providing digital tools for early detection and management. This proof-of-concept study describes the development of a machine learning pipeline integrated into a mobile application for vitiligo assessment. Using a dataset of 1,309 images, including segmental and generalized vitiligo, the CNN was trained for binary classification with an accuracy of 95%. The model segments depigmented patches and conducts colorimetric analysis for precise evaluation. We compared traditional Wood’s lamp imaging with CNN-generated maps, showing comparable or superior results in detecting faint depigmentation. Developed using Flutter for cross-platform compatibility, the app enables patients to upload images for analysis and track disease progression. A Golang-based backend ensures robust data management, while a PostgreSQL database supports secure storage of patient information. The integration of Azure Active Directory enhances security and user authentication. This approach aims to bridge the gap in dermatological care by providing an accessible, ML-driven solution for vitiligo management. Future iterations will expand the applications’ capability to screen for other depigmentation disorders, incorporate automated scoring systems for more personalized patient management, and communication services.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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) | 0,003 | 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 ».