Multi-Level Classification of Lung Pathologies in Neonates using Recurrence Features
Notice bibliographique
Résumé
The use of Lung Ultrasound (LUS) as a tool to diagnose and monitor lung diseases in neonates has increased in urban hospitals. LUS's main advantages compared to chest CT or X-rays is that it is less expensive, more accessible, and does not expose the patient to radiation. Performing LUS on neonates and diagnosing the LUS images require highly trained medical professional and clinicians. While availability of such specialists in general is not an issue in urban areas, there is lack of such personnel in rural and remote communities. Hence, an automated computer-aided screening approach as a first level diagnosis assistance in such scenarios might be of significant value. Many of the image morphologies used by clinicians in diagnosing the LUS have strong recurrence characteristics. Building upon this knowledge, in this paper, we propose a feature extraction method designed to quantify such recurrent features for classification of LUS images into 6 common neonatal lung conditions. These conditions were normal lung, chronic lung disease (CLD), transient tachypnea of the newborn (TTN), pneumothorax (PTX), respiratory distress syndrome (RDS), and consolidation (CON) that could be pneumonia or atelectasis. The proposed method extracts virtual scanlines from the LUS images and converts them into signals. Then using recurrence quantification analysis (RQA), features were extracted and fed to pattern classifiers. Using a simple linear classifier the proposed features can achieve a classification accuracy of 69.3% without clinical features and 77.6% with clinical features. Clinical Relevance- Development of an automated computer-aided screening tool for first level diagnosis assistance in neonatal LUS pathologies. Such a tool will be of significant value in rural and remote medical communities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».