Classification of CXR Chest Diseases by Ensembling Deep Learning Models
Notice bibliographique
Résumé
Chest related diseases are the most frequent health issues worldwide. They are mainly diagnosed by radiologists using a visual inspection of a chest X-ray (CXR) radiography. This task is challenging and error-prone because of the similarity between signs of the diseases, which occur as opacities around the infected organs. An early diagnosis of chest abnormalities is an essential step in the treatment process. Computer-aided detection (CAD) systems can be useful as decision support tools for radiologists. In recent years, chest disease detection using deep learning (DL) and CXR images has become one of the most promising topics in healthcare. In this work, we propose an approach using an ensemble of deep convolutional neural networks (DCNN) for a two-steps classification of CXR images. In the first step, a CXR image is taken as input of our model. This latter determines whether it is a heart or a lung abnormality. Then, it performs a binary classification for diseases of the same organ as a second step. A dataset of 26,316 CXR images was consolidated by merging images from two open-access datasets (VinDr-CXR and CheXpert). Our approach showed impressive results, obtaining an AUC of 0.9489 for infected organ classification (multi-class classification) and a mean AUC of 0.9957 for specific diseases' classification (binary classification) surpassing state-of-the-art DCNN models.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».