Model Dermatol – δερματοπάθεια

IDerma

Περιγραφή εφαρμογής

Η τεχνητή νοημοσύνη σαρώνει την παρεχόμενη φωτογραφία και βοηθά αμέσως στον εντοπισμό του προβλήματος του δέρματός σας. Η τεχνητή νοημοσύνη παρέχει σχετικές ιατρικές πληροφορίες για δερματικά προβλήματα (π.χ. δερματική εξάνθημα, θηλαστικά, κνίδωση) και καρκίνο του δέρματος (π.χ. μελανώματα).

◉ Τραβήξτε φωτογραφίες δέρματος και υποβάλετέ τις. Οι περικομμένες εικόνες μεταφέρονται, αλλά δεν αποθηκεύουμε τα δεδομένα σας.
◉ Η τεχνητή νοημοσύνη παρέχει συνδέσμους προς ιστοτόπους που περιγράφουν τα σχετικά σημεία και συμπτώματα δερματικών παθήσεων και καρκίνου του δέρματος (π.χ. μελάνωμα).
◉ Ο αλγόριθμος μπορεί να ταξινομήσει εικόνες 186 δερματικών παθήσεων, συμπεριλαμβανομένων κοινών τύπων δερματικών διαταραχών (π.χ. ατοπική δερματίτιδα, κυψέλη, έκζεμα, ψωρίαση, ακμή, ροδόχρου ακμή, ονυχομυκητίαση, μελάνωμα, σπίλοι).
◉ Η χρήση του αλγορίθμου είναι δωρεάν και υποστηρίζονται

🞹 Δημοσίευση
- Assessment of Deep Neural Networks for the Diagnosis of Benign and Malignant Skin Neoplasms in Comparison with Dermatologists: A Retrospective Validation Study. PLOS Medicine, 2020
- Performance of a deep neural network in teledermatology: a single center prospective diagnostic study. J Eur Acad Dermatol Venereol. 2020
- Keratinocytic Skin Cancer Detection on the Face using Region-based Convolutional Neural Network. JAMA Dermatol. 2019
- Seems to be low, but is it really poor? : Need for Cohort and Comparative studies to Clarify Performance of Deep Neural Networks. J Invest Dermatol. 2020
- Multiclass Artificial Intelligence in Dermatology: Progress but Still Room for Improvement. J Invest Dermatol. 2020
- Augment Intelligence Dermatology : Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020
- Interpretation of the Outputs of Deep Learning Model trained with Skin Cancer Dataset. J Invest Dermatol. 2018
- Automated Dermatological Diagnosis: Hype or Reality? J Invest Dermatol. 2018
- Classification of the Clinical Images for Benign and Malignant Cutaneous Tumors Using a Deep Learning Algorithm. J Invest Dermatol. 2018
- Augmenting the Accuracy of Trainee Doctors in Diagnosing Skin Lesions Suspected of Skin Neoplasms in a Real-World Setting: A Prospective Controlled Before and After Study. PLOS One, 2022
- Evaluation of Artificial Intelligence-assisted Diagnosis of Skin Neoplasms – a single-center, paralleled, unmasked, randomized controlled trial. J Invest Dermatol. 2022

🞹 Αποποίηση ευθύνης
- Ζητήστε τη συμβουλή ενός γιατρού εκτός από τη χρήση αυτής της εφαρμογής και πριν λάβετε ιατρικές αποφάσεις.
- Η διάγνωση του καρκίνου του δέρματος ή της δερματικής διαταραχής που βασίζεται αποκλειστικά σε κλινικές εικόνες μπορεί να χάσει έως και το 10% των περιπτώσεων. Επομένως, αυτή η εφαρμογή δεν μπορεί να υποκαταστήσει την τυπική φροντίδα (προσωπική εξέταση).
- Η πρόβλεψη του αλγόριθμου δεν είναι η τελική διάγνωση καρκίνου του δέρματος ή δερματικής διαταραχής. Χρησιμεύει μόνο για την παροχή εξατομικευμένων ιατρικών πληροφοριών για αναφορά

Βαθμολογίες και αξιολογήσεις

Working alright and fast. Regarding the results i will come back for validation after i visit a doctor.