世界を動かす技術を、日本語で。
すごいね！皮膚科医じゃないけど、若い頃にメラノーマになった妹がいるから、いろいろ学べたよ。50%から85%にすぐに上がったのは、ほとんどが皮膚がんだから学びやすかったから。だから、アドバイスとしては、実際に50%くらいは皮膚がんに近づけた方がいいかも。ただ、悪いものに焦点を当てて、みんなにもっと学んでもらうのもいいかもね。思ったよりもこの検出は難しかったな。皮膚科医に行きたくなったよ。
ありがとう、いい指摘だね。癌と無害な病変の50:50のバランスが良いと思うし、次のバージョンで変更するつもりだよ。実際には、ほとんどの皮膚病変やほくろは無害で、問題なのはそうじゃないものを見分けることだと思う。こういう短期間の集中トレーニングでも、普通の人が気になる病変を見分けるのに役立つと思う。
私も医者なんだけど、これを作る理由やプロセスについてもっと聞きたいな。二項対立の「心配 vs 心配なし」というのは面白いね。これは実際の診断を得るよりも、紹介する医師にとってはもっと関連性があると思う。一方で、「BCC vs メラノーマ」のような選択肢を名前付けするのは、医学生にとっての学習ツールになるだろうね。他のコメントにも同意だけど、実際の人口やプライマリケアの発生率にカードを合わせるのも面白そう。ただ、無害な母斑が多すぎて、ちょっと退屈になるかもね！
コメントありがとう。アプリを開発する主な動機は、たくさんの患者さんが皮膚がんを認識する能力を向上させるためのリソースを案内してほしいと言っていたからなんだ。私の考えでは、良い学び方は決断を強いられて、その決断に対するフィードバックを受けることだと思う。患者にとっての決断は実際には二択だと思うんだ。つまり、(i) 今すぐこの皮膚病変について医者に連絡するか、(ii) しばらく様子を見るか、何もしないか。実際、ほとんどの皮膚がんは非専門家でも非常に明らかで、見逃される理由は患者が自分の肌をチェックしていないか、何を見ればいいのか分からないからだと思う。発生率については君の言う通りだね。良性と悪性のバランスがもっと良い方がいいと思うけど、99%が無害なほくろで1%ががんというのを見せるのは良くないと思う（これはプライマリーケアにおける皮膚病変の正確な表現かもしれないけど）患者が皮膚がんの見た目を学ぶのに時間がかかりすぎるから。
これ、すごくいいね。アイデアを実現するためのAIの使い方が素晴らしい。専門家が教育ツールを作るのは、AIから生まれた希望の一つだと思う。ただ、過去数十年インターネットで物を作ってきた人たちから、テック投資家に富を流すためにもっと頻繁に使われているのは残念だね。こういうプロジェクトが「なぜ癌との戦いに反対するのか」という反論を助長するのも困りものだ。
コメントありがとう！みんなが役立ててくれて嬉しいし、AIコーディングのおかげで実現できたことだよね。これは多くの異なる分野の非専門家にも適用できると思う。
逆に言えば、こういうアイデアや関連するものに関しては、たくさんのスタートアップがあるよ。ほとんどのところが技術的な課題はなんとかなるって感じで、医療や倫理的な課題はかなり厄介だって言ってるね。
AIコーディングのDIY的な側面が好きだな。少し前の皮膚科医は、このアイデアを実現するために、やる気のあるパートナーを見つけなきゃいけなかったから、ほとんどの場合、ただのアイデアのままになってたと思う。これは非テック系の人だけじゃなくて、私も何十年もアイデアがあっても、時間がなくて実行できてないんだ。だから今は、古いAIエージェントを動かして、何ができるか試してるところだよ。
同じく、何年も頭の中でアイデアがぐるぐる回ってるけど、実行に移せてないんだ。多分うまくいかないだろうって「確信」してるから、プロとしてコーディングして20年近く経つけど、何をすればいいかはわかってるのに、ただ時間がかかるだけ。今はAIを使ってそれらを一気に進めて、世に出してるよ。ちょっとクソみたいなものもあるけど、存在しないよりはマシだし、何が起こるかわからないからね。
そうだね、たぶん自分でやり方を見つけられたと思うけど、何週間もかかるだろうし、実際には終わらせる時間なんてなかったと思う。
画像分類のタスクは全くコーディングを必要としないよ。トレーニングデータを読み込んでモデルをトレーニングし、その後ユーザーからの入力画像に基づいて分類するプログラムが一つあれば大丈夫。犬や猫、皮膚がんなど、どんな画像でも基本的にこれでいけるよ。
なんで？コーディングできる医者はたくさん知ってるよ。病理医が元のプリンスをハッキングしてモッドを追加したり、分子病理医が自分のパイプラインやETLを整理したりしてる。コンピュータが好きな人は多いけど、別のことで生計を立ててる人も多いよ。
こんにちは！これは本当に役立つツールだね！決定プロセスや、写真から正しい答えを理解する方法も説明してほしいな。メラノーマと脂漏性角化症/母斑の区別がつかなくて困ってる。約120枚の写真を見たけど、見分けることができなかったよ。それに、バーガーメニューのガイドが存在しないページにリンクしてるのも残念だね。https://molecheck.info/how-to-recognise-skin-cancer
すごく助かるフィードバックだね。診断を助けるためにもう少し情報を追加するつもりだし、詳細な説明を載せた記事をバーガーメニューに追加するよ。正直言って、数人の患者さん以外にこのアプリを使う人がいるとは思ってなかったし、まさかフロントページのHNに載るとは思ってもみなかった！
AI支援コーディングの完璧な使い方だね。ドメインの専門家が、比較的シンプルなアプリを作ってるのがいい。@sungam、もし皮膚がんのためのAIモデルを作る研究が含まれているなら、気軽に連絡してね（プロフィールにメールアドレスがあるよ）。私は純粋な臨床研究者がAIを研究プログラムに取り入れるのを助けるためのツールを作ってるんだ。
ありがとう、今はこの分野で研究してないんだ。私のラボでの研究は主に線維芽細胞が皮膚がんの発生にどんな役割を果たすかに焦点を当ててるよ。
これって本当に「浸潤メラノーマ」なの？ https://drmagnuslynch.s3.eu-west-2.amazonaws.com/isic-images...
それは誤分類の可能性が高そうだね…
データセットに付随しているメタデータによれば、確かに誤分類の可能性があるね。ただ、見た目には全く無害に見えるほくろの中にも、皮膚癌のものがあることがあるんだ。例えば、これらの画像を見てみて: https://www.google.com/search?tbm=isch&q=naevoid+melanoma だから、皮膚科は難しいし、AIベースの画像分類は責任やリスクの観点からも難しいんだ。以前、メラノーマの多職種会議の臨床リーダーをしていたけど、年に1〜2回はこういう風に見えるメラノーマの患者を見ていた。過去の写真を振り返っても、心配になるような特徴はなかったんだ。患者に強調するのは、たとえほくろが無害に見えても、変化の兆候を監視することが重要だってこと。皮膚癌は数ヶ月の間にほぼ必ず見た目が変わるからね。
いいプロジェクトだね、学ぶのに役立ちそう。ただ一つ気になるのは、アプリで見る「心配なもの」と「心配じゃないもの」のレートが、実際の人口のレートと合ってない気がするんだ。つまり、ランダムな人にある「ほくろっぽいもの」は、アプリが示すよりも癌である確率がずっと低いと思う。もちろん、学習を効率的にするためには必要なんだけど、基準レートの教育と組み合わせないと、過剰に心配するバイアスが生まれちゃうよね。
そうだね、君の言う通りだ。使った画像データセットのせいで、表現が偏ってる。人口分布に合わせるのはあまり意味がないと思う。皮膚癌の割合はすごく小さいから（画像の中で1:1000未満）、ユーザーは皮膚癌がどんなものか学べないだろう。でも次のバージョンでは、50:50に近づけて、人口分布との違いを強調するつもりだよ。
数年前、Android用のMLベースのアプリがあって、スマホで撮った病変の写真を分類して、皮膚科医に行くことを勧めてくれるものがあったんだ。残念ながら、今は削除されちゃったみたいだけど、ウェブページはまだ生きてる（ちょっとだけ）: https://emdee.ai/ ハンガリーの小さなチームが作ったもので、もちろん医師のサポートもあったよ。（多分、医師との調整や、ソフトウェアを教えてもらうこと、病変の写真を集めるのが主な仕事だったんだろうね…楽しそう！）彼らは多分、収益化できなかったか、興味がなかったか、副業にはちょっと大変すぎたのかも…東欧に住む現実は悲しいね。アイデア自体は完璧だと思う。非侵襲的で、危険な状態を早めに警告してくれるから、医者を待つ必要もないし、無駄に行く必要もない。実際、これにお金を払ってもいいと思ってるよ。
もう一つ、こんなアプリがあるよ: https://www.skinvision.com/
こんなアプリを作るのは（比較的）簡単だよ。チャレンジは責任やリスク、規制の管理だね。個々の医師には、エラーが起こることを受け入れているし、保険や責任の枠組みも明確になってる。でもAIにはまだそれがないけど、いつかはできるようになると思うよ。
ハンガリーはEUの国だから、彼らが収益化できない理由はないと思うよ。活発なVCシーンがないことを除けば、サンフランシスコと同じ収益化の選択肢があるはずだし。最も可能性が高い理由は、結果に対する法的責任を負いたくなかったからだと思う。
いい仕事だね。でも、これに関する統計をしっかり勉強しないと、これが簡単な部分だったってすぐに気づくよ。出力をどう扱うかが本当の難しいところだからね。あるスタートアップがこういう分類で成功してたけど、彼らは本当に素晴らしい仕事をしてたのに、アプリケーションをどう使うかを決めるのが分類問題よりもずっと難しいって気づいたんだ。エラー率は、どんなに低くても、主な課題になるよ。偽陽性も偽陰性も、経済的にも感情的にも、すごくコストがかかるからね。