Add author byline (John Boby Mesadieu, uOttawa) + trim methodology to essentials

app.py

@@ -50,8 +50,14 @@ LOW_CONFIDENCE_THRESHOLD = 0.5
 # ---------- Localized strings ---------------------------------------------------
 
 TITLE: dict[str, str] = {
-    "en": "# Chronic Wound Classifier — 4-class AZH demo",
-    "fr": "# Classification des plaies chroniques — démo AZH 4 classes",
+    "en": (
+        "# Chronic Wound Classifier — 4-class AZH demo\n"
+        "*Developed, trained, and deployed by **John Boby Mesadieu** — Université d'Ottawa.*"
+    ),
+    "fr": (
+        "# Classification des plaies chroniques — démo AZH 4 classes\n"
+        "*Conçu, entraîné et déployé par **John Boby Mesadieu** — Université d'Ottawa.*"
+    ),
 }
 
 DESCRIPTION: dict[str, str] = {
@@ -104,37 +110,32 @@ validation croisée à 10 plis groupés par patient ; le point de contrôle dép
 
 ARTICLE: dict[str, str] = {
     "en": """\
-**Methodology in one paragraph.** EfficientNet-B0 (ImageNet-pretrained) two-phase fine-tuning:
-phase 1 freezes the backbone and trains the 4-class head for 5 epochs at lr=1e-3; phase 2 unfreezes
-and fine-tunes the full network for 15 epochs at lr=1e-4. Patient-grouped 10-fold CV ensures the same
-patient's images never appear in both train and val. Training and validation under random-stratified
-splits would inflate accuracy by ~3–30pp on AZH (we measured this directly); we report the patient-
-grouped numbers as the honest evaluation. The shipped checkpoint is the highest single fold on the
-held-out Test set; a 10-fold soft-vote ensemble averages 0.7989 on the same set.
+**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.
 
 **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). No mobile / offline build.
+cohorts. No fairness audit across skin tones. No mobile or offline build.
+
+**Author.** Developed, trained, and deployed by **John Boby Mesadieu** — Université d'Ottawa.
 
-**Citation.** Anisuzzaman et al. 2022, *Multi-modal wound classification using wound image and
-location by deep neural network*, Sci. Rep. 12:20057.
+**Dataset citation.** Anisuzzaman et al. 2022, *Multi-modal wound classification using wound image
+and location by deep neural network*, Sci. Rep. 12:20057.
 """,
     "fr": """\
-**Méthodologie en un paragraphe.** EfficientNet-B0 (préentraîné sur ImageNet), affinement en deux
-phases : la phase 1 gèle le tronc et entraîne la tête à 4 classes pendant 5 époques (lr=1e-3) ; la
-phase 2 dégèle et affine le réseau complet pendant 15 époques (lr=1e-4). La validation croisée à
-10 plis groupés par patient garantit que les images d'un même patient n'apparaissent jamais à la
-fois en entraînement et en validation. Les découpes aléatoires stratifiées (sans regroupement par
-patient) gonflent l'exactitude de ~3 à 30 pp sur AZH (mesuré directement) ; nous rapportons les
-chiffres groupés par patient comme évaluation honnête. Le point de contrôle déployé est la meilleure
-fold individuelle sur le jeu de test retenu ; un ensemble par vote doux à 10 plis atteint en moyenne
-0,7989 sur ce même jeu.
+**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.
 
 **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). Aucune
-version mobile ou hors ligne.
+sur de vraies cohortes de patients. Aucun audit d'équité par teinte de peau. Aucune version mobile
+ou hors ligne.
+
+**Auteur.** Conçu, entraîné et déployé par **John Boby Mesadieu** — Université d'Ottawa.
 
-**Référence.** Anisuzzaman et coll. 2022, *Multi-modal wound classification using wound image and
-location by deep neural network*, Sci. Rep. 12:20057.
+**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.
 """,
 }