Clinical utility of a digital dermoscopy image-based artificial intelligence device in the diagnosis and management of skin cancer by dermatology health care providers, primary care providers, and nondermatology specialized physicians
Notice bibliographique
Résumé
Background: Patients with skin lesions suspicious of skin cancer or atypical nevi frequently present to dermatology health care providers (DHPs), primary care providers (PCPs), and nondermatology specialized physicians (NDSPs) who have variable training in the triage and diagnosis of skin cancers and atypical melanocytic nevi. Objective: To evaluate the clinical utility of a digital dermoscopy image-based artificial intelligence algorithm (DDI-AI device) on the diagnosis and management of skin cancers by DHPs, PCPs, and NDSPs. Study Design: Forty-three United States licensed DHPs, PCPs, and NDSPs evaluated 50 clinical images and 50 digital dermoscopy images (DDIs) of the same skin lesions (25 malignant and 25 benign), first without and then with knowledge of the DDI-AI device output. Participants selected whether they thought the lesion was likely benign or malignant. Results: The overall management sensitivity for participants was 94.2% with the DDI-AI device, 84.1% with DDI, and 72.9% with clinical images; overall diagnostic sensitivity for participants was 87.0%, 79.6%, and 64.7%, respectively. Diagnostic specificity increased over baseline to 75.0% with the DDI-AI device, while no significant difference was observed in management specificity. DHPs had a statistically significantly higher baseline clinical (68.5% sensitivity vs. 59.6%) and dermoscopy (84.3% sensitivity vs. 73.3%) performance than PCPs and NDSPs. DHPs also achieved the highest diagnostic performance (87.7% sensitivity vs. 86.2%) when using the DDI-AI device. Conclusions: The use of the DDI-AI device may quickly, safely, and effectively improve skin cancer management and diagnosis when used by DHPs, PCPs, and NDSPs, independent of variable training and clinical experience.
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 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».