Automatic Detection of Necrotizing Fasciitis: A Dataset and Early Results
Notice bibliographique
Résumé
Necrotizing Fasciitis (NF), or Necrotizing Soft-Tissue Infection (NSTI), is a rare infection that poses a significant threat to health. In the absence of a proper diagnosis, the infection can spread rapidly causing extensive tissue necrosis and death - mortality rate of 20% - 35%. Due to inadequate resources, little progress has been made for the automatic detection of NF. We have prepared a novel dataset containing images of affected human organs by NF using an internet image search. The dataset contains 693 images in total, containing raw, augmented, and non-NF images. A system has been developed for performing automated detection of NF with an Artificial Neural Network. We have evaluated the YOLOv3 object recognition model for five arrangements of our dataset and compared the performance for these different data arrangements after running each five times. The datasets were split into 80% train data and 20% test data, and for performance measures, we have taken into account the evaluation metrics: Intersection over Union (IoU) and Average Precision (AP). We obtained the highest average AP score of 57.97% for the dataset with raw data and augmentation and the highest average IoU score of 61.94% for dataset with raw data, augmentation, and negative images. The initial finding of this work can be further improved and become a substantial contribution to clinical arrangements for the diagnosis and management of NF.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».