Artificial Intelligence in Patch Testing: Comprehensive Review of Current Applications and Future Prospects in Dermatology
Notice bibliographique
Résumé
Background: The integration of artificial intelligence (AI) into patch testing for allergic contact dermatitis (ACD) holds the potential to standardize diagnoses, reduce interobserver variability, and improve overall diagnostic accuracy. However, the challenges and limitations hindering clinical implementation have not been thoroughly explored. Objective: This narrative review aims to examine the current applications of AI in patch testing, identify challenges, and propose future directions for their use in dermatology. Methods: PubMed was searched in August 2024 to identify studies involving human participants undergoing patch testing with AI used in the study. Exclusion criteria were non-English and nonoriginal research. Data were synthesized to assess study design, performance, and potential for clinical application. Results: Out of 94 reviewed articles, 10 met the inclusion criteria. Most studies employed convolutional neural networks (CNN) for image analysis, with accuracy rates ranging from 90.1% to 99.5%. Other AI models, such as gradient boosting and random forest, were used for risk prediction and biomarker discovery. Key limitations included limited sample sizes, variability in image capture protocols, and lack of standardized reporting on skin types. Conclusions: AI has significant potential to enhance diagnostic accuracy, standardize patch test interpretation, and expand access to patch testing. However, standardized imaging protocols, larger and more diverse datasets, and improved regulatory frameworks are necessary to realize the full potential of AI in patch testing.
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) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».