Designing a Transparent Machine Learning System for Preliminary Skin Condition Screening
Authors
Jacobsen, Jacob Andreas Lund ; Albjerg, Mathias Wethje
Term
4. Term
Publication year
2026
Submitted on
2026-06-08
Abstract
This thesis explores how a transparent and user-friendly machine learning system can support preliminary assessment of skin conditions without acting as an autonomous diagnostic tool. Building on recent advances in computer vision and dermatological image classification, the project develops a research prototype that combines image-based analysis of skin photographs with users’ own textual symptom descriptions via keywords. The work focuses on integrating subjective user experiences with objective image data while maintaining full control over the training data and model, and explicitly avoiding large language models and dependency on commercial AI services from providers such as Google, OpenAI, Meta, or Anthropic. Using a methodology inspired by object-oriented analysis and design, the problem domain is delimited to the part of the screening process where a user submits an image and an optional symptom description, and the system returns a preliminary classification and an indication of risk. The prototype relies on a pre-trained image classification model that is fully controlled and documented by the authors, aiming to increase transparency regarding data use, model behavior, and system limitations. The thesis further discusses how concerns about data protection, patient rights, and Danish and European worries about AI “black boxes” can be addressed through design choices, user involvement, and a clear framing of the system as decision support rather than diagnosis. The reported outcome is a functional prototype that can identify skin conditions with a small error margin under controlled conditions, while recognizing that broader clinical impact, generalizability, and long-term use remain subjects for future research.
Dette speciale undersøger, hvordan et gennemsigtigt og brugervenligt maskinlæringssystem kan understøtte en foreløbig vurdering af hudlidelser uden at fungere som et selvstændigt diagnosesystem. Med udgangspunkt i nyere fremskridt inden for computer vision og dermatologisk billedklassifikation udvikles et forskningsprototype, der kombinerer billedbaseret analyse af hudfotos med brugeres egne tekstbeskrivelser af symptomer via nøgleord. Projektet fokuserer på at integrere subjektive erfaringer med objektive billeddata, samtidig med at der opretholdes fuld kontrol over træningsdata og model, og uden brug af store sprogmodeller eller afhængighed af kommercielle AI-tjenester fra f.eks. Google, OpenAI, Meta eller Anthropic. Gennem en systematisk metode, inspireret af objektorienteret analyse og design, afgrænses problemområdet til den del af screeningsforløbet, hvor brugeren indsender et billede og en symptomtekst, hvorefter systemet returnerer en foreløbig klassifikation og en risikofortolkning. Prototypen anvender et prætrænet billedklassifikationssystem, som forfatterne selv kontrollerer og dokumenterer, med henblik på at øge transparens omkring data, modellens funktion og dens begrænsninger. Projektet diskuterer desuden, hvordan krav til datasikkerhed, patientrettigheder og danske og europæiske bekymringer om “black box” AI kan adresseres gennem designvalg, brugerinvolvering og tydelig afgrænsning til beslutningsstøtte frem for diagnostik. De rapporterede resultater omfatter en funktionel prototype, der kan identificere hudtilstande med lille fejlmargin under kontrollerede forhold, men de overordnede kliniske effekter, generaliserbarhed og langsigtet anvendelighed vurderes som emner for videre forskning.
[This abstract has been generated with the help of AI directly from the project full text]
Keywords