A Scoping Review on COVID-19's Early Detection Using Deep Learning Model and Computed Tomography and Ultrasound
Notice bibliographique
Résumé
Since the end of 2019, a COVID-19 outbreak has put healthcare systems worldwide on edge. In rural areas, where traditional testing is unfeasible, innovative computer-aided diagnostic approaches must deliver speedy and cost-effective screenings. Conducting a full scoping review is essential for academics despite several studies on the use of Deep Learning (DL) to combat COVID-19. This review examines the application of DL techniques in CT and ULS images for the early detection of COVID-19. In this review, the PRISMA literature review approach was followed. All studies are retrieved from IEEE, ACM, Medline, and Science Direct. Performance metrics were highlighted for each study to measure the proposed solutions' performance and conceptualization; A set of publicly available datasets were appointed; DL architectures based on more than one image modality such as CT and ULS are explored. Out of 32 studies, the combined U-Net segmentation and 3D classification VGG19 network had the best F1 score (98%) on ultrasound images, while ResNet-101 had the best accuracy (99.51%) on CT images for COVID-19 detection. Hence, data augmentation techniques such as rotation, flipping, and shifting were frequently used. Grad-CAM was used in eight studies to identify anomalies on the lung surface. Our research found that transfer learning outperformed all other AI-based prediction approaches. Using a UNET with a predefined backbone, like VGG19, a practical computer-assisted COVID-19 screening approach can be developed. More collaboration is required from healthcare professionals and the computer science community to provide an efficient deep learning framework for the early detection of COVID-19.
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 | 0,006 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».