在医疗保健研究中发挥积极

ditikhatun11

度等级，用于测量肤色而不是皮肤光型，捕捉较深肤色之间更细微的差异。虽然这两种量表都不是为了使用图像进行回顾性估计，但包含这些标签的目的是为了使未来能够对皮肤病学中的皮肤类型和色调表示进行研究。例如，SCIN 数据集为美国人口中这些皮肤类型和色调的分布提供了初始基准。 SCIN 数据集女性和年轻人的代表性很高，这可能反映了多种因素的综合影响。这些可能包括皮肤状况发生率的差异、在线寻求健康信息的倾向以及不同人群对研究做出贡献的意愿的差异。 众包方式 为了创建 SCIN 数据集，我们使用了一种新颖的众包方法，我们在与斯坦福大学医学院的研究人员共同撰写的随附研究论文中对此进行了描述。这种方法使个人能够作用。它使我们能够在人们健康问题的早期阶段（可能在他们寻求正式护理之前）接触到他们。

至关重要的是，这种方法使用网络搜索结果页面上的广告（许多人健康之旅的起点）来与参与者建立联系。 我们的结果表明，众包可以产生具有较低垃圾邮件率的高质量数据集。超过 的贡 以色列电报吗数据库 献是皮肤状况的真实图像。在执行进一步的过滤步骤以排除超出 SCIN 数据集范围的图像并删除重复项后，我们能够发布 的贡献。大多数图像都很清晰且曝光良好。大约一半的贡献包括自我报告的人口统计数据，80% 包含与皮肤状况相关的自我报告信息，例如质地、持续时间或其他症状。我们发现皮肤科医生回顾性鉴别诊断的能力更多地取决于自我报告信息的可用性，而不是图像质量。皮肤状况图像网络 (SCIN) 数据集提供了多样化且具有代表性的皮肤状况图像集合，弥补了人工智能开发、医学研究和公平医疗保健工具的重要差距。 健康数据集在研究和医学教育中发挥着至关重要的作用，但创建代表现实世界的数据集可能具有挑战性。例如，皮肤病的外观和严重程度各不相同，并且不同肤色的表现也不同。




然而，现有的皮肤科图像数据集通常缺乏对日常状况（如皮疹、过敏和感染）的表征，并且偏向较浅的肤色。此外，种族和民族信息经常缺失，阻碍了我们评估差异或制定解决方案的能力。 为了解决这些限制，我们与斯坦福大学医学院的医生合作发布了皮肤状况图像网络 (SCIN) 数据集。我们设计 SCIN 是为了反映人们在线搜索的广泛问题，补充临床数据集中常见的疾病类型。它包含各种肤色和身体部位的图像，有助于确保未来的人工智能工具对所有人有效工作。我们已将SCIN 数据集作为开放获取资源免费提供给研究人员、教育工作者和开发人员，并采取了谨慎的措施来保护贡献者的隐私。 SCIN1-示例英雄 SCIN 数据集中的图像和元数据示例集。 数据集组成 SCIN 数据集目前包含 10,000 多张皮肤、指甲或头发状况的图像，这些图像由经历过这些状况的个人直接贡献。根据机构审查委员会批准的一项研究，所有贡献都是在美国个人知情同意的情况下自愿做出的。为了为皮肤科医生的回顾性标签提供背景信息，贡献者被要求拍摄特写和稍远距离的图像。