On Improving Malaria Parasite Detection from Microscopic Images: A Comparative Analytics of Hybrid Deep Learning Models
Notice bibliographique
Résumé
Malaria, a life-threatening mosquito-borne disease, contributes to a significantly high number of fatalities in tropical/sub-tropical regions due to inadequate detection technology, lack of laboratory experience, and other barriers. From the design perspective of a general-purpose point-of-care solution for detecting malaria along with other tropical diseases, malaria parasite detection from blood work needs to integrate accurate and fast detection capabilities. In this vein, in this paper, we develop three hybrid data-driven models in this paper that combine a convolutional neural network (CNN) with long short-term memory (LSTM), bi-directional LSTM (BiLSTM), and gated recurrent unit (GRU), respectively. CNN is employed in all three proposed models to extract the relevant features that are passed to two cascaded layers of Recurrent Neural Networks (RNNs) in each model that acts as a classifier. Based on the experiments conducted with a public dataset, we demonstrate that our designed CNN-GRU-GRU hybrid model outperformed the other models in terms of accuracy (96.01%), less type-I error rate (1.81%), and type-II error rate (2.18%). On the other hand, the CNN-LSTM-LSTM model was attributed to a low computing (training) time of just 4 minutes and 46 seconds. Our findings clearly elucidate the potential of combining classifiers in biomedical analytics research and pave the way for portable point-of-care devices with reasonable accuracy and fast computation times, enabling them to be used for collaborative learning for large-scale, real-time disease modeling.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».