A novel machine learning-based video classification approach to detect pneumonia in COVID-19 patients using lung ultrasound
Notice bibliographique
Résumé
Context: Efficiently diagnosing COVID-19-related pneumonia is of high clinical relevance. Point-of-care ultrasound allows detecting lung conditions via patterns of artifacts, such as clustered B-lines. Aims: The aim is to classify lung ultrasound videos into three categories: Normal (containing A-lines), interstitial abnormalities (B-lines), and confluent abnormalities (pleural effusion/consolidations) using a semi-automated approach. Settings and Design: This was a prospective observational study using 1530 videos in 300 patients presenting with clinical suspicion of COVID-19 pneumonia, where the data were collected and labeled by human experts versus machine learning. Subjects and Methods: Experts labeled each of the videos into one of the three categories. The labels were used to train a neural network to automatically perform the same classification. The proposed neural network uses a unique two-stream approach, one based on raw red-green-blue channel (RGB) input and the other consisting of velocity information. In this manner, both spatial and temporal ultrasound features can be captured. Statistical Analysis Used: A 5-fold cross-validation approach was utilized for the evaluation. Cohen's kappa and Gwet's AC1 metrics are calculated to measure the agreement with the human rater for the three categories. Cases are also divided into interstitial abnormalities (B-lines) and other (A-lines and confluent abnormalities) and precision-recall and receiver operating curve curves created. Results: This study demonstrated robustness in determining interstitial abnormalities, with a high F1 score of 0.86. For the human rater agreement for interstitial abnormalities versus the rest, the proposed method obtained a Gwet's AC1 metric of 0.88. Conclusions: The study demonstrates the use of a deep learning approach to classify artifacts contained in lung ultrasound videos in a robust manner.
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 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 | 0,000 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».