Evaluation of Deep Transfer Learning Methodologies on the COVID-19 Radiographic Chest Images
Notice bibliographique
Résumé
In 2019, the world had been attacked with a severe situation by the new version of the SARSCOV- 2 virus, which is later called COVID-19. One can use artificial intelligence techniques to reduce time consumption and find safe solutions that have the ability to handle huge amounts of data. However, in this article, we investigated the classification performance of eight deep transfer learning methodologies involved (GoogleNet, AlexNet, VGG16, MobileNet-V2, ResNet50, DenseNet201, ResNet18, and Xception). For this purpose, we applied two types of radiographs (X-ray and CT scan) datasets with two different classes: non-COVID and COVID-19. The models are assessed by using seven types of evaluation metrics, including accuracy, sensitivity, specificity, negative predictive value (NPV), F1- score, and Matthew\"s correlation coefficient (MCC). The accuracy achieved by the X-ray was 99.3%, and the evaluation metrics that were measured above were (98.8%, 99.6%, 99.6%, 99.0%, 99.2%, and 98.5%), respectively. Meanwhile, the CT scan model classified the images without error. Our results showed a remarkable achievement compared with the most recent papers published in the literature. To conclude, throughout this study, it has been shown that the perfect classification of the radiographic lung images affected by 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 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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».