The diagnostic evaluation of Convolutional Neural Network (CNN) for the assessment of chest X-ray of patients infected with COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Introduction The main target of COVID-19 is the lungs where it may cause pneumonia in severely ill patients. Chest X-ray is an important diagnostic test to assess the lung for the damaging effects of COVID-19. Many other microbial pathogens can also cause damage to lungs leading to pneumonia but there are certain radiological features which can favor the diagnosis of pneumonia caused by COVID-19. With the rising number of cases of COVID-19, it would be imperative to develop computer programs which may assist the health professionals in the prevailing scenario. Materials & Methods A total of two hundred and seventy eight (278) images of chest X-rays have been assessed by applying ResNet-50 convolutional neural network architectures in the present study. The digital images were acquired from the public repositories provided by University of Montreal and National Institutes of Health. These digital images of Chest X-rays were divided into three groups labeled as normal, pneumonia and COVID-19. The third group contains digital images of chest X-rays of patients diagnosed with COVID-19 infection while the second group contains images of lung with pneumonia caused by other pathogens. Results The radiological images included in the data set are 89 images of lungs with COVID-19 infection, 93 images of lungs without any radiological abnormality and 96 images of patient with pneumonia caused by other pathogens. In this data set, 80% of the images were employed for training, and 20% for testing. A pre-trained (on ImageNet data set) ResNet-50 architecture was used to diagnose the cases of COVID-19 infections on lung X-ray images. The analysis of the data revealed that computer vision based program achieved diagnostic accuracy of 98.18 %, and F1-score of 98.19. Conclusion The performance of convolutional neural network regarding the differentiation of pulmonary changes caused by COVID-19 from the other type of pneumonias on digital images of the chest X-rays is excellent and it may be an extremely useful adjunct tool for the health professionals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle