Apply humanizer skill: drop signposting, switch to first person, add personality, more honest opener with the 8/10 number up front

app.py

@@ -54,92 +54,119 @@ SPACE_URL = "https://huggingface.co/spaces/jbobym/wound-classifier"
 TITLE: dict[str, str] = {
     "en": (
         "# Chronic Wound Classifier\n"
-        "*Developed, trained, and deployed by **John Boby Mesadieu**.*\n\n"
+        "A model I trained to look at a wound photo and guess which of four types it is. "
+        "It's right roughly 8 times out of 10; this page also tells you when not to trust it.\n\n"
+        "By **John Boby Mesadieu**.\n\n"
         f"**Share this demo:** [{SPACE_URL}]({SPACE_URL})"
     ),
     "fr": (
         "# Classification des plaies chroniques\n"
-        "*Conçu, entraîné et déployé par **John Boby Mesadieu**.*\n\n"
+        "Un modèle que j'ai entraîné pour regarder une photo de plaie et deviner lequel des quatre "
+        "types c'est. Il a raison environ 8 fois sur 10 ; cette page vous dit aussi quand ne pas "
+        "lui faire confiance.\n\n"
+        "Par **John Boby Mesadieu**.\n\n"
         f"**Partager cette démo :** [{SPACE_URL}]({SPACE_URL})"
     ),
 }
 
 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) 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.
+Upload a photo of a wound and the model picks one of four types (diabetic, pressure, surgical, or
+venous), with a confidence percentage for each.
+
+A few things to know before you try it:
+
+- **Centre the wound in the photo.** The model only looks at a square in the middle of the image;
+  anything in the corners gets cropped out.
+- **JPEG or PNG. That's it.**
+- **Only upload wound photos.** The model has to pick one of the four types. If you give it
+  something else, it will still call it a wound. Watch the confidence percentage: if it comes back
+  under 50%, the model is probably guessing.
+- **Pressure ulcers are the model's weak spot.** It gets them right roughly 4 times out of 10. When
+  it says Pressure, take the answer with a grain of salt.
+
+This is a research demo, not a medical device. It doesn't diagnose, triage, or replace a
+clinician's judgement. The *Approach* section below has the methodology and the 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) ainsi
-que son degré de confiance pour chaque option.
-
-**À lire avant de téléverser :**
-
-- **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.
+Téléversez une photo de plaie ; le modèle choisit l'un de quatre types (diabétique, escarre,
+chirurgicale ou veineux) avec un pourcentage de confiance pour chacun.
+
+À savoir avant d'essayer :
+
+- **Centrez la plaie dans la photo.** Le modèle ne regarde qu'un carré au milieu de l'image ; tout
+  ce qui se trouve dans les coins est coupé.
+- **JPEG ou PNG. C'est tout.**
+- **Téléversez seulement des photos de plaie.** Le modèle doit choisir l'un des quatre types. Si
+  vous lui donnez autre chose, il l'appellera quand même une plaie. Surveillez le pourcentage de
+  confiance : sous 50 %, le modèle devine probablement.
+- **L'escarre est le point faible du modèle.** Il la reconnaît correctement environ 4 fois sur 10.
+  Quand il dit Escarre, prenez la réponse avec précaution.
+
+Ceci est une démonstration de recherche, pas un dispositif médical. Le modèle ne pose pas de
+diagnostic, ne fait pas de triage et ne remplace pas le jugement clinique. La section *Approche*
+ci-dessous donne la méthodologie et l'exactitude principale.
 """,
 }
 
 ARTICLE: dict[str, str] = {
     "en": """\
-**Approach.** EfficientNet-B0 transfer learning with patient-grouped 10-fold cross-validation on the
-public AZH Chronic Wound Database. The shipped checkpoint reaches 0.8152 top-1 on the held-out test
-set (n=184); the best 10-fold ensemble of the same recipe averages 0.7989.
+### Approach
 
-**Out of scope.** Not for clinical decision-making. No claim of diagnostic accuracy on real patient
-cohorts. No fairness audit across skin tones (known gap).
+I trained an image classifier (EfficientNet-B0) on the AZH Chronic Wound Database, a public
+research dataset of clinical wound photos. The training was set up so that the same patient's
+photos never appeared in both the training and test sets; that detail matters more than it sounds,
+because models on this dataset can otherwise inflate their accuracy by quietly memorising patients
+instead of learning what wounds actually look like.
 
-**Author.** Developed, trained, and deployed by **John Boby Mesadieu**.
+On the held-out test set of 184 photos, the version of the model running here gets the wound type
+right 81 times out of 100. As a sanity check, I trained nine other versions of the same model on
+slightly different slices of the data and averaged their predictions; that combined version scored
+80 out of 100 on the same test, which suggests the headline number is not a fluke.
 
-**Dataset citation.** Anisuzzaman et al. 2022, *Multi-modal wound classification using wound image
-and location by deep neural network*, Sci. Rep. 12:20057.
+### Out of scope
+
+Not for clinical decision-making. No claim of diagnostic accuracy on real patient cohorts. No
+fairness audit across skin tones, which is a known gap.
+
+### Author
+
+John Boby Mesadieu.
+
+### Dataset citation
+
+Anisuzzaman et al. 2022, *Multi-modal wound classification using wound image and location by deep
+neural network*, Sci. Rep. 12:20057.
 """,
     "fr": """\
-**Approche.** Apprentissage par transfert avec EfficientNet-B0 et validation croisée à 10 plis
-groupés par patient sur la base de données publique AZH Chronic Wound Database. Le point de contrôle
-déployé atteint 0,8152 top-1 sur le jeu de test retenu (n=184) ; le meilleur ensemble à 10 plis de
-la même recette atteint en moyenne 0,7989.
+### Approche
+
+J'ai entraîné un classifieur d'images (EfficientNet-B0) sur la AZH Chronic Wound Database, un jeu
+de données public de photos cliniques de plaies. L'entraînement a été configuré pour que les
+photos d'un même patient n'apparaissent jamais à la fois dans le jeu d'entraînement et dans le jeu
+de test ; ce détail compte, parce que les modèles entraînés sur ce jeu de données peuvent
+autrement gonfler leur exactitude en mémorisant discrètement des patients plutôt qu'en apprenant à
+quoi ressemble une plaie.
+
+Sur le jeu de test retenu de 184 photos, la version du modèle déployée ici trouve le bon type de
+plaie 81 fois sur 100. Comme contrôle, j'ai entraîné neuf autres versions du même modèle sur des
+découpes légèrement différentes des données et fait la moyenne de leurs prédictions ; cette
+version combinée a obtenu 80 sur 100 sur le même test, ce qui suggère que le chiffre principal
+n'est pas un coup de chance.
+
+### Hors champ
+
+Pas pour la décision clinique. Aucune prétention d'exactitude diagnostique sur de vraies cohortes
+de patients. Aucun audit d'équité par teinte de peau, ce qui constitue une limite connue.
+
+### Auteur
 
-**Hors champ.** Aucun usage de décision clinique. Aucune prétention à une exactitude diagnostique
-sur de vraies cohortes de patients. Aucun audit d'équité par teinte de peau (limite connue).
+John Boby Mesadieu.
 
-**Auteur.** Conçu, entraîné et déployé par **John Boby Mesadieu**.
+### Référence du jeu de données
 
-**Référence du jeu de données.** Anisuzzaman et coll. 2022, *Multi-modal wound classification using
-wound image and location by deep neural network*, Sci. Rep. 12:20057.
+Anisuzzaman et coll. 2022, *Multi-modal wound classification using wound image and location by
+deep neural network*, Sci. Rep. 12:20057.
 """,
 }
 
@@ -167,30 +194,29 @@ LABELS: dict[str, dict[str, str]] = {
 NOTE_LOW_CONFIDENCE: dict[str, str] = {
     "en": (
         "**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, so it will always pick one of the four wound types even when the image isn't "
-        "a wound."
+        "Probably one of two things: the photo isn't a clear close-up of a wound, or it is a "
+        "wound but not one of the four the model knows. Either way, the model still has to pick, "
+        "so do not lean on this answer."
     ),
     "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 », donc il choisira toujours l'un "
-        "des quatre types de plaies même si l'image n'est pas une plaie."
+        "L'une des deux choses, probablement : la photo n'est pas un gros plan clair d'une plaie, "
+        "ou c'est bien une plaie mais pas l'un des quatre types que le modèle connaît. Dans les "
+        "deux cas, le modèle est obligé de choisir quand même, alors ne vous appuyez pas sur "
+        "cette réponse."
     ),
 }
 
 NOTE_PRESSURE: dict[str, str] = {
     "en": (
-        "**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."
+        "**Pressure ulcers are the model's weak spot.** "
+        "It gets them right roughly 4 times out of 10. "
+        "When it says Pressure, take the answer with a grain of salt."
     ),
     "fr": (
-        "**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."
+        "**L'escarre est le point faible du modèle.** "
+        "Il la reconnaît correctement environ 4 fois sur 10. "
+        "Quand il dit Escarre, prenez la réponse avec précaution."
     ),
 }