COVID-19 Self-Test Guidance System For Swab Collection Using Deep Learning
Notice bibliographique
Résumé
The COVID-19 rapid antigen self-test kits are widely administered in several countries to increase the testing frequency and reduce the load on clinics for in-person tests. Yet, the telehealth worker supervision is mandatory to ensure proper sampling procedure is followed and high-quality swab samples are taken. To reduce the load on the health workers in telehealth, we propose a system that eliminates the need for any human supervision by guiding the testers throughout the self-test to ensure the collection of high-quality swab samples. The proposed system takes a live video stream of the frontal face of a user as input and provides real-time instructions to do the self-test correctly with corrective actions when detecting wrong steps. This is mainly done using a collection of deep learning (DL) models. The system uses a novel swab position classification model, Small-MobileNetV2 with Depth-Wise Attention (S-MBNV2-DWAtt), to detect whether a swab is in one of the nostrils or not, which is an optimized version of MobileNetV2 in terms of parameter count and inference speed. The depth-wise attention block allows it to focus on specific parts of the images where the swabs would possibly lie. Lastly, a large-scale synthetic dataset is created to increase the generalization to a variety of swabs and users and a small real dataset is collected to finetune the model on scenes that are similar to the deployment scenarios. The proposed swab position classification model is found to have outstanding performance in terms of both accuracy and speed; it outperforms the ResNet and VGG architectures by 22.83% and 35.11% respectively on a real-world test set while operating at 25 FPS on CPU.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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) | 0,000 | 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 ».