Rewrite UI text in plain language for clinical audience; strip em dashes from interface

app.py

@@ -53,12 +53,12 @@ SPACE_URL = "https://huggingface.co/spaces/jbobym/wound-classifier"
 
 TITLE: dict[str, str] = {
     "en": (
-        "# Chronic Wound Classifier — 4-class AZH demo\n"
+        "# Chronic Wound Classifier\n"
         "*Developed, trained, and deployed by **John Boby Mesadieu**.*\n\n"
         f"**Share this demo:** [{SPACE_URL}]({SPACE_URL})"
     ),
     "fr": (
-        "# Classification des plaies chroniques — démo AZH 4 classes\n"
+        "# Classification des plaies chroniques\n"
         "*Conçu, entraîné et déployé par **John Boby Mesadieu**.*\n\n"
         f"**Partager cette démo :** [{SPACE_URL}]({SPACE_URL})"
     ),
@@ -67,44 +67,49 @@ TITLE: dict[str, str] = {
 DESCRIPTION: dict[str, str] = {
     "en": """\
 Upload a close-up photo of a chronic wound and the model returns its best guess at the wound type
-(diabetic ulcer, pressure ulcer, surgical wound, or venous ulcer) with per-class probabilities.
-
-**Before you upload — a few things worth knowing:**
-
-- **Frame the wound in the center.** The model resizes and center-crops to 224×224 pixels, so a wound
-  off in the corner of a high-resolution phone photo will get cropped out. Close-up clinical-style
-  framing (the wound fills most of the frame) gives the cleanest predictions.
-- **JPEG or PNG works fine.** Anything PIL can open.
-- **There is no "not a wound" option.** Upload a face, a sandwich, a sunset — the model will
-  confidently place it into one of the four wound classes anyway. The low-confidence warning below
-  is the only signal you'll get that the image probably isn't what the model was trained on.
-- **Pressure-ulcer predictions are weakest** (~41% accuracy on the held-out test set). When the model
-  says "Pressure ulcer," treat the call with extra skepticism.
-
-**This is a research demo, not a medical device.** It does not diagnose, triage, or replace clinician
-judgement. See *Approach* below for methodology and headline accuracy.
+(diabetic ulcer, pressure ulcer, surgical wound, or venous ulcer) along with how confident it is in
+each option.
+
+**A few things worth knowing before you upload:**
+
+- **Frame the wound in the center of the photo.** The model focuses on a square in the middle of
+  the image, so anything in the corners gets cut off. A close-up where the wound fills most of the
+  photo works best.
+- **JPEG or PNG work fine.**
+- **Don't upload anything that isn't a wound.** The model can only choose between the four wound
+  types. If you give it a photo of something else (a face, an object, a landscape), it will still
+  pick one of the four. It has no way to say "this is not a wound." Watch the confidence number: if
+  it comes back below 50%, there's a good chance the photo isn't something the model knows how to
+  handle.
+- **Pressure-ulcer predictions are the least reliable.** The model gets pressure ulcers right about
+  4 times out of 10 in our testing. If it says Pressure ulcer, treat the answer with care.
+
+**This is a research demo, not a medical device.** It does not diagnose, triage, or replace
+clinician judgement. See *Approach* below for the methodology and headline accuracy.
 """,
     "fr": """\
 Téléversez une photo en gros plan d'une plaie chronique : le modèle propose son meilleur diagnostic
-parmi quatre types de plaies (ulcère diabétique, escarre, plaie chirurgicale, ulcère veineux) avec
-les probabilités par classe.
+parmi quatre types de plaies (ulcère diabétique, escarre, plaie chirurgicale, ulcère veineux) ainsi
+que son degré de confiance pour chaque option.
 
 **À lire avant de téléverser :**
 
-- **Cadrez la plaie au centre de l'image.** Le modèle redimensionne et recadre au centre à 224×224 pixels :
-  une plaie située dans un coin d'une photo haute résolution sera coupée. Un cadrage clinique rapproché
-  (la plaie occupe la majeure partie du cadre) donne les prédictions les plus propres.
-- **JPEG ou PNG conviennent.** Tout format que PIL sait ouvrir.
-- **Il n'y a pas d'option « ce n'est pas une plaie ».** Téléversez un visage, un sandwich, un coucher
-  de soleil : le modèle classera l'image dans l'une des quatre classes de plaies, et avec confiance.
-  L'avertissement de faible confiance ci-dessous est le seul signal indiquant que l'image n'est
-  probablement pas conforme aux données d'entraînement.
-- **Les prédictions d'escarre sont les moins fiables** (~41 % d'exactitude sur le jeu de test).
-  Lorsque le modèle indique « Escarre », à interpréter avec une prudence accrue.
-
-**Ceci est une démonstration de recherche, et non un dispositif médical.** Le modèle n'établit aucun
-diagnostic, ne fait pas de triage et ne remplace en rien le jugement clinique. Voir *Approche*
-ci-dessous pour la méthodologie et l'exactitude principale.
+- **Cadrez la plaie au centre de la photo.** Le modèle se concentre sur un carré au milieu de
+  l'image, donc tout ce qui se trouve dans les coins est coupé. Un gros plan où la plaie occupe la
+  majeure partie de la photo donne le meilleur résultat.
+- **JPEG ou PNG conviennent.**
+- **Ne téléversez rien qui ne soit pas une plaie.** Le modèle ne peut choisir qu'entre les quatre
+  types de plaies. Si vous lui donnez la photo d'autre chose (un visage, un objet, un paysage), il
+  choisira quand même l'une des quatre. Il n'a aucun moyen de dire « ce n'est pas une plaie ».
+  Surveillez le pourcentage de confiance : s'il est sous 50 %, il y a de fortes chances que la
+  photo ne soit pas quelque chose que le modèle sait reconnaître.
+- **Les prédictions d'escarre sont les moins fiables.** Le modèle reconnaît correctement les
+  escarres environ 4 fois sur 10 dans nos tests. S'il indique Escarre, prenez la réponse avec
+  précaution.
+
+**Ceci est une démonstration de recherche, et non un dispositif médical.** Le modèle n'établit
+aucun diagnostic, ne fait pas de triage et ne remplace en rien le jugement clinique. Voir
+*Approche* ci-dessous pour la méthodologie et l'exactitude principale.
 """,
 }
 
@@ -164,26 +169,28 @@ NOTE_LOW_CONFIDENCE: dict[str, str] = {
         "**Low confidence** (top class {top_label} at {top_pct}). "
         "This often means the photo isn't a clear close-up of a wound, or the wound type "
         'isn\'t one of the four the model was trained on. The model has no "not a wound" '
-        "option — it will always pick one of D / P / S / V even when the image isn't a wound."
+        "option, so it will always pick one of the four wound types even when the image isn't "
+        "a wound."
     ),
     "fr": (
         "**Faible confiance** (classe principale {top_label} à {top_pct}). "
         "Cela indique souvent que la photo n'est pas un gros plan clair d'une plaie, ou "
         "que le type de plaie ne fait pas partie des quatre sur lesquels le modèle a été entraîné. "
-        "Le modèle n'a pas d'option « ce n'est pas une plaie » — il choisira toujours D / P / S / V "
-        "même si l'image n'est pas une plaie."
+        "Le modèle n'a pas d'option « ce n'est pas une plaie », donc il choisira toujours l'un "
+        "des quatre types de plaies même si l'image n'est pas une plaie."
     ),
 }
 
 NOTE_PRESSURE: dict[str, str] = {
     "en": (
-        "**Pressure-class predictions are the model's weak spot** "
-        "(~0.41 accuracy on the held-out test set). Treat this prediction with extra skepticism."
+        "**Pressure-ulcer predictions are the least reliable.** "
+        "The model gets pressure ulcers right about 4 times out of 10 in our testing. "
+        "Treat this prediction with care."
     ),
     "fr": (
-        "**Les prédictions d'escarre sont le point faible du modèle** "
-        "(~0,41 d'exactitude sur le jeu de test retenu). Interpréter cette prédiction avec une "
-        "prudence accrue."
+        "**Les prédictions d'escarre sont les moins fiables.** "
+        "Le modèle reconnaît correctement les escarres environ 4 fois sur 10 dans nos tests. "
+        "Interprétez cette prédiction avec précaution."
     ),
 }