AI-Enabled Health 4.0: An IoT-Based COVID-19 Diagnosis Use-Case
Notice bibliographique
Résumé
The Internet of Things (IoT) has revamped service-oriented architectures by enabling edge-based devices to collect and share information that is vital for the service provisioning process. IoT devices have evolved from simple data acquirers and have become part of the service provisioning process. These devices are now able to sense, acquire, communicate, and process data in an intelligent manner. With the support of Artificial Intelligence (AI), IoT devices can now support users with minimal reliance on centralized entities, such as the Cloud. IoT devices are now able to share raw and processed information securely, without or with minimal reliance on centralized devices. This paper proposes a general framework for Health 4.0 to provide edge-based health services with the support of AI. IoT devices collect and share patient information in a secure manner to enable user-side disease diagnosis. The solution enables both federated and centralized learning to coexist under one framework. As a proof-of-concept, the solution considers a COVID-19 diagnosis use-case. A Machine Learning (ML) web-based user application is developed to analyze frontal chest X-ray (CXR) images and make predictions on whether patients' lungs are damaged. The solution provides an experimental study on mechanisms and approaches needed to increase learning accuracy with reduced dataset sizes and image quality through Federated Learning (FL).
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».