Enhanced Pneumonia Diagnosis Using Chest X-Ray Image Features and Multilayer Perceptron and k-NN Machine Learning Algorithms
Notice bibliographique
Résumé
Pneumonia poses a significant risk of mortality, particularly in individuals with compromised immune systems, necessitating early diagnosis and treatment to combat the disease effectively.In this study, we employed Multilayer Perceptron (MLP) and k-Nearest Neighbors (k-NN) machine learning (ML) algorithms to facilitate pneumonia diagnosis using preprocessed Chest X-ray images.Preprocessing steps, including Histogram Equalization, Mask R-CNN (Mask Region-Based Convolutional Neural Network), and Otsu thresholding, were successively performed on the images.Textural features were subsequently extracted from the Chest X-ray images and utilized as inputs for the classification algorithms.To address the imbalanced class problem in the training data, the Synthetic Minority Over-sampling Technique (SMOTE) was implemented.Classification evaluation metrics included accuracy, precision, recall, F1-Score, and AUC Score (Area Under Curve Score).The results revealed that the MLP algorithm outperformed the k-NN algorithm across all metrics.Furthermore, a comparison of the MLP and k-NN algorithms with previous studies in the literature demonstrated the superiority of the MLP algorithm, achieving an accuracy of 95.673%, F1-Score of 95.706%, and AUC Score of 99.006%.This study highlights the potential of employing the MLP algorithm for highly accurate pneumonia diagnosis using Chest X-ray images.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».