When Jack of All Trades Is a Master of None: Comparing the Performance of GPT-4 Omni against Specialised Neural Networks in Identifying Malignant Dermatological Lesions from Smartphone Images and Structured Clinical Data
Notice bibliographique
Résumé
Introduction: Artificial intelligence (AI) can potentially assist in triaging suspicious skin lesions as malignant or benign. General-purpose multimodal large language models (LLMs), such as GPT-4o, have not been rigorously evaluated for this task. This study assessed GPT-4o's ability to triage skin lesions and compared its performance to specialised neural networks. METHODS: We evaluated GPT-4o using 1,000 random cases from the PAD-UFES-20 dataset with 50 repeated trials. GPT-4o was tested using clinical data-only, image-only, and multimodal inputs. GPT-4o's performance, consistency, and fairness across different demographic subgroups was evaluated. Its performance metrics were compared against specialised unimodal and multimodal neural networks trained on a separate subset of the PAD-UFES-20 dataset. RESULTS: GPT-4o exhibited poor triage performance across all modalities, with average balanced accuracies of 0.571, 0.602, and 0.622 for clinical data, image, and multimodal inputs, respectively. Sensitivity was consistently high (>0.95) with the trade-off of very low specificity. Mean agreement rates were high (>0.90); however, Fleiss' κ indicated only moderate consistency due to a strong bias toward malignant classifications. Fairness evaluations showed poorer discriminative performance in younger patients compared to middle-aged and elderly patients but no notable differences between different sex and skin tone subgroups. Specialised neural networks significantly outperformed GPT-4o on most pairwise comparisons. Multimodal inputs significantly improved GPT-4o performance over unimodal inputs. CONCLUSION: Although GPT-4o consistently triaged skin lesions with high sensitivity, its very low specificity limits clinical utility. Thus, general-purpose LLMs like GPT-4o are currently unsuitable for clinical dermatological diagnostics without significant field-specific developments and validation. .
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 | 0,012 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| 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 | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».