Deep Learning–Based Pattern Recognition for Detecting Penile Abnormalities: Protocol for Developing a Mobile App for Circumcision Eligibility
Notice bibliographique
Résumé
Background Circumcision is a widely practiced procedure with cultural and medical significance. However, certain penile abnormalities—such as hypospadias or webbed penis—may contraindicate the procedure and require specialized care. In low-resource settings, limited access to pediatric urologists often leads to missed or delayed diagnoses. Artificial intelligence (AI)–based image recognition presents a scalable solution to facilitate early detection and informed decision-making. Objective This study aims to develop and validate an AI-powered image classification system integrated into a mobile app to detect penile abnormalities and assess circumcision eligibility. The system is designed to support preliminary screening by general practitioners and caregivers in underserved areas. Methods A prospective cohort study was conducted involving pediatric patients at Cipto Mangunkusumo Hospital, Jakarta, Indonesia. Digital images will be collected prospectively from pediatric patients at Cipto Mangunkusumo Hospital captured by health care professionals or caregivers. High-resolution penile images were systematically captured from ventral, dorsal, and lateral angles and subsequently classified as either having normal or abnormal anatomy by urologists. Leveraging pretrained deep learning architectures, the AI models were developed to accurately classify these images and assess circumcision eligibility based on anatomical criteria. Image preprocessing included resizing, normalization, and augmentation. Transfer learning techniques were used to enhance accuracy. The model was developed using TensorFlow and Keras. Performance evaluation used accuracy, sensitivity, specificity, and F1-score. Following development, the model will be embedded into a mobile app to enable real-time analysis, with feedback on whether further clinical evaluation or referral is needed. Results Model development began in January 2024 and is currently ongoing. Integration into the mobile app and deployment testing are scheduled across 3 sequential phases—refinement, integration, and user testing—through January 2026. Preliminary models have been trained, and refinement is underway to improve diagnostic accuracy and usability. Conclusions The proposed AI-based system offers a promising tool to support early diagnosis of penile abnormalities and safe circumcision decision-making in resource-limited settings. Its integration into a mobile app enables preliminary screening outside specialized centers, facilitating telemedicine and optimizing referral pathways. International Registered Report Identifier (IRRID) DERR1-10.2196/65811
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,010 |
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 ».