Présentation d’une application d’apprentissage sur le cancer de la peau créée directement par un dermatologue
(molecheck.info)- Contenu de présentation d’une application d’apprentissage sur le cancer de la peau développée par un dermatologue
- Permet aux utilisateurs de bénéficier d’une expérience optimale sur appareil mobile
- Recommande d’accéder au site web (molecheck.info) en scannant un QR code
- Peut aussi être utilisé sur ordinateur, mais l’usage sur smartphone est plus adapté
- Permet d’acquérir des connaissances sur le cancer de la peau grâce à des quiz sur les maladies et lésions cutanées
molecheck.info et l’optimisation pour l’environnement mobile
- molecheck.info est une webapp d’apprentissage sur le cancer de la peau créée avec la participation directe de dermatologues
- Les utilisateurs peuvent scanner le QR code avec l’appareil photo de leur smartphone pour recevoir une recommandation d’utiliser la webapp sur appareil mobile
- Le fait qu’elle offre la meilleure expérience utilisateur en environnement mobile est mis en avant
- Les utilisateurs peuvent, s’ils le souhaitent, continuer à utiliser l’application dans un environnement de bureau
- Cette application permet d’améliorer sa compréhension du cancer de la peau en résolvant des quiz sur les lésions cutanées
1 commentaires
Réactions sur Hacker News
J’aime beaucoup l’aspect DIY du codage avec l’IA ; il y a encore peu, si un dermatologue avait eu une idée comme celle-ci, il aurait dû trouver un partenaire spécialisé et fournir énormément de travail pour la concrétiser, donc dans la plupart des cas ça serait resté au stade de l’idée. Et ce n’est pas propre aux non-spécialistes : moi aussi, j’ai une liste d’idées de projets accumulées sur plusieurs décennies que je n’avais jamais pu réaliser faute de temps. Maintenant, j’expérimente pour voir ce que je peux faire en m’appuyant sur des agents IA.
En fait, le seul point qui me déplaît, c’est que ça s’appelle « vibe code ». Faire en sorte que tout le monde puisse programmer des ordinateurs de manière utile, c’est vraiment une excellente chose.
Pareil pour moi. J’avais des idées qui me tournaient dans la tête depuis des années, mais je ne les ai même jamais tentées, persuadé que « de toute façon ça ne marcherait pas ». Pourtant, je travaille comme développeur pro depuis près de 20 ans, donc j’ai largement les compétences pour les exécuter ; j’avais juste l’impression que ce serait une perte de temps. Maintenant, avec la puissance de l’IA, je fonce dans tous les sens. Le résultat est parfois bancal, mais je me dis que c’est toujours mieux que rien. On ne sait jamais ce qui peut décoller.
Moi aussi, j’aurais probablement pu le faire seul, mais ça m’aurait pris plusieurs semaines et, en pratique, je ne l’aurais sans doute jamais terminé.
Je ne suis pas spécialiste, mais ma sœur a eu un mélanome, donc je m’intéresse beaucoup au cancer de la peau. Grâce à ça, je suis vite passé d’un taux de bonnes réponses de 50 % à 85 %. Comme il s’agissait majoritairement de cas de cancer de la peau, c’était assez facile à apprendre. Mon conseil serait donc qu’il vaudrait mieux avoir 50 % de vrais cancers de la peau. Cela dit, le but de l’apprentissage est peut-être justement de focaliser l’attention sur les cas malins. En réalité, c’était un problème bien plus difficile que je ne l’imaginais. Ça me donne envie de consulter un vrai dermatologue.
Si je codais cela pour le véritable « entraînement » de dermatologues, je le rapprocherais davantage des proportions du monde réel. En tant que dermatologue, parmi les lésions cutanées qui inquiètent réellement les patients, il n’y en a probablement qu’environ 1 sur 100 qui soit effectivement un cancer. Dans l’état actuel du dataset, il y a tellement de photos de cancers qu’on peut obtenir un bon score en répondant « cancer » à tout. Mais si, en pratique, on envoie trop de personnes qui n’ont rien vers l’ophtalmologie, cela finit par devenir un outil inutilisable.
Très bon point. En pratique, un ratio cancer / lésion bénigne de 50:50 serait sans doute préférable. Je compte refléter cela dans les prochaines versions. Bien sûr, la grande majorité des lésions cutanées réelles sont inoffensives, mais je pense qu’un entraînement court et intensif peut quand même aider le grand public à repérer des lésions suspectes.
En y repensant, je crois qu’au début il vaudrait mieux montrer 100 % ou une forte proportion de cas malins afin d’apprendre ce qu’il faut effectivement reconnaître. Ensuite, il suffirait d’augmenter progressivement la difficulté. Plus on se rapproche d’un ratio de 50 %, plus le score tend vers une simple probabilité, donc cela paraîtra plus difficile.
Les douze premières étaient presque toutes des cancers, et les douze suivantes étaient majoritairement non cancéreuses (je ne sais pas si c’était vraiment aléatoire), (et moi non plus je n’arrive absolument pas à distinguer si une lésion cutanée est cancéreuse).
Je suis vraiment le genre de personne qui a toutes sortes de taches cutanées, grains de beauté et trucs indéterminés, donc ce projet me fait assez peur.
Il est courant de faire un examen dermatologique complet du corps chaque année. J’en fais un tous les ans depuis des années à cause de mon type de peau, et lors du dernier contrôle on m’a détecté un carcinome basocellulaire à un stade précoce.
Je n’ai qu’une seule chose qui me semble suspecte, mais j’ai quand même passé une vingtaine de minutes à googler « dermatofibrome et carcinome basocellulaire ». Dans mon cas, ça ressemble à un dermatofibrome, mais ce projet me rappelle malgré tout qu’il vaut mieux faire vérifier.
Excellent travail. Maintenant, il faut absolument étudier la partie statistique, et vous réaliserez vite que ce que vous avez fait jusqu’ici était la partie facile. Le cap bien plus difficile, c’est la manière dont on exploite réellement les résultats de classification pour produire un bénéfice net sur la santé des patients. Une startup a construit ce type de système de classification : la partie technique était bien maîtrisée, mais elle a énormément peiné à déterminer comment l’utiliser concrètement sans générer d’effets négatifs. Même avec un taux d’erreur très faible, ce sera le principal défi. Les false positives comme les false negatives ont un coût, aussi bien financier qu’émotionnel.
C’est un outil vraiment utile, mais j’aimerais qu’il y ait davantage d’explications sur le raisonnement derrière la décision, ou d’indications pour comprendre comment trouver la bonne réponse sur les photos. J’ai du mal à distinguer un mélanome d’une kératose séborrhéique / d’un nævus, et je ne comprends toujours pas bien. J’ai regardé environ 120 images avec attention, mais je n’ai toujours pas l’intuition. Et, au passage, la page guide dans le menu n’existe pas : https://molecheck.info/how-to-recognise-skin-cancer
C’est un retour vraiment utile. Je vais enrichir les indications pour qu’elles aident davantage à l’identification, et ajouter aussi une explication détaillée dans le menu. En réalité, je pensais que seules quelques-unes de mes patientes et de mes patients l’utiliseraient, et je ne m’attendais absolument pas à ce que ça arrive en première page de HN.
J’ai eu la même impression. J’aimerais un mode où, dans l’ensemble total, 50 % seraient des mélanomes et 50 % des « lésions bénignes brunes ».
Je me demande si c’est vraiment un « mélanome invasif » lien
D’après les métadonnées du dataset, c’est bien étiqueté comme tel. Bien sûr, il est possible qu’il soit mal classé. Il arrive très rarement que des grains de beauté d’apparence normale soient en réalité malins, par exemple dans des cas de nævoid melanoma : images Google de nævoid melanoma. C’est pour cela que le diagnostic dermatologique est difficile, et que la classification d’images par IA n’est pas simple sur les plans juridique et de la gestion du risque. Lors des réunions pluridisciplinaires sur le mélanome, il y avait une ou deux fois par an des cas qui, sur les photos anciennes, ne paraissaient absolument pas suspects. Ce que je répète toujours aux patients, c’est que même un grain de beauté qui ne semble pas changer à l’œil nu doit toujours être contrôlé s’il évolue au fil des mois.
Oui, cela ressemble presque à coup sûr à une erreur de classification.
Je suis aussi médecin et j’aimerais beaucoup en savoir plus sur l’intention du projet et sur le processus de développement. Une distinction binaire « inquiétant / pas inquiétant » me semble surtout utile au clinicien consulté, tandis qu’une classification à choix multiples du type « BCC vs melanoma » paraît davantage adaptée à l’enseignement des étudiants en médecine. Comme l’ont dit d’autres personnes, ce serait aussi intéressant de l’aligner sur les patients réels ou sur la médecine de premier recours, même si cela risque de devenir un peu ennuyeux s’il n’y a que trop de nævus bénins.
Très bonne idée, et un excellent exemple de concrétisation d’une idée grâce à l’IA. Les outils éducatifs créés par des experts sont, à mon avis, le cas d’usage le plus prometteur de l’ère de l’IA. Cela dit, je trouve un peu amer que l’IA soit si souvent utilisée de manière négative pour transférer la valeur des créateurs du web vers les investisseurs de la tech, et que des projets comme celui-ci servent parfois à répondre aux critiques par des arguments du type « pourquoi êtes-vous contre le traitement du cancer ? ».
En réalité, de nombreuses startups se sont déjà lancées sur ce sujet, et même si elles ont réussi sur le plan technique, franchir les obstacles médicaux et éthiques a été un défi bien plus rude.
Merci pour ce retour. Je suis heureux que beaucoup de personnes trouvent l’application utile. C’est clairement quelque chose qui n’a été possible que grâce au codage avec l’IA, et je pense qu’on pourra l’appliquer à l’avenir à divers domaines non spécialisés.
Beau projet, et vraiment très instructif d’un point de vue pédagogique. J’ai toutefois une inquiétude : dans l’application, la proportion de lésions « inquiétantes » par rapport aux lésions « sans inquiétude » ne semble pas correspondre à celle de la population réelle. La probabilité qu’un grain de beauté pris au hasard soit un cancer n’est pas aussi élevée que l’application le laisse entendre. C’est sans doute nécessaire pour l’efficacité de l’apprentissage, mais cela peut aussi induire un biais d’inquiétude excessive chez le grand public. Il faudrait probablement accompagner cela d’une explication sur le base rate.
C’est le cas d’usage parfait du codage avec l’IA : une application portée par un expert métier et peu difficile à implémenter. @sungam, si jamais vous faites de la recherche sur les modèles IA pour le cancer de la peau, n’hésitez pas à me contacter (mon e-mail est dans mon profil). Je construis des outils pour aider les chercheurs cliniques à intégrer facilement l’IA dans leurs travaux.