Beyond the Surface: Assessing GPT-4's Accuracy in Detecting Melanoma and Suspicious Skin Lesions From Dermoscopic Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: Self-examinations for skin cancer detection are limited by sensitivity. ChatGPT-4 has image recognition capabilities that can be a useful adjunct for screening cancers and tele-health applications. This study investigated the efficacy of ChatGPT-4 in identifying skin lesions. Methods: Dermoscopic images were retrospectively selected from the PH 2 dataset, categorized by clinical diagnosis, and uploaded to ChatGPT-4 with a predesigned prompt. Responses were compared against clinical diagnoses. Confidence intervals were calculated using the bootstrap method assessing precision and significance was calculated using McNemar's test. Analyses were performed using Jupyter Notebook and Python. Results: The GPT-4 model showed moderate performance in melanoma detection with 68.5% accuracy, 52.5% sensitivity, and 72.5% specificity, significantly differing from the clinical standard ( P = .002). For suspicious lesion detection, it performed better with 68.0% accuracy, 78.0% precision, and 70.0% F-measure, still not closely matching clinical diagnosis for atypical nevi and melanoma ( P = .0169). Conclusion: The statistical difference between ChatGPT-4 diagnosis of melanoma and suspicious lesions compared with clinical diagnoses and other AI models suggests the need for improvement in ChatGPT-4 algorithms. This study's limitations included the use of a secondary care database with a higher melanoma incidence, high-quality dermoscopic images that limit generalizability, a small sample size lacking diversity, and the need for larger datasets to validate findings in broader contexts.
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.
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 | 0,004 |
| 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 découle