Machine learning model to classify chronic leg wounds and identify pyoderma gangrenosum
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
STUDY OBJECTIVES: Chronic wounds represent a significant economic and personal burden. For their successful treatment, the causes must be known and treated. Wounds caused by pyoderma gangrenosum (PG), a rare inflammatory skin disease, are often misdiagnosed. This study, therefore, aims to develop a machine learning model capable of differentiating PG from other wound types, focusing on chronic leg wounds to address this diagnostic challenge. METHODS: We used 3674 wound photographs from three specialised wound centres with the four most common types of foot and leg ulcers and the rare inflammatory differential diagnosis PG. The convolutional neural network classifier ConvNeXt 'B' was pretrained on LAION2B, ImageNet12k and ImageNet 1k before being trained and fine-tuned on an 85:15 train, validation split. RESULTS: The model achieved an overall high accuracy in multiclass classification of the chronic wounds (unbalanced accuracy 90%, balanced accuracy 87%). The sensitivity for identifying PG was 94%, while the sensitivity forother chronic wound types was 97% for diabetic foot ulcers (DFU), 92% for venous leg ulcers (VLU), 78% for mixed leg ulcers and 74% for arterial leg ulcers. DISCUSSION: The machine learning model effectively differentiates PG from the most common leg and foot ulcers and was very accurate for classifying DFU and VLU. A higher rate of misclassifications occurred for the other vascular ulcers, that is, mixed and arterial leg ulcers. This aligns with the challenges in clinical practice. CONCLUSION: Despite the limited number of wound images, this novel multiclass wound classification model accurately identified PG and differentiated leg and foot ulcer subtypes, providing a foundation for a diagnostic support system.
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 | 0,000 |
| 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