MediCaption: Integrating YOLO-Driven Computer Vision and NLP for Advanced Pharmaceutical Package Recognition and Annotation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To ensure patient safety and reduce the incidence of prescription errors, the healthcare industry places a high priority on the availability and accuracy of pharmaceutical information. MediCaption offers a unique solution to this issue with its integrated system, which combines the capabilities of computer vision driven with a state-of-the-art object detection model YOLO-v8 by Ultralytics [1], robust natural language processing (NLP), text-to-speech (TTS), and optical character recognition (OCR). This Project utilizes advanced AI and image processing to quickly and accurately annotate pharmaceutical packaging with key information like drug names, uses, and side effects, significantly reducing medication management errors and enhancing information precision and usability. Using a dataset of 372 pharmaceutical packages from Kaggle (Shah, 2021) [2], we annotated it with Roboflow and trained it using the YOLO-v8 model, achieving precise medicine name detection through bounding box accuracy. This enabled effective text extraction via OCR, following NLP preprocessing by matching against a medicinal database, allowed for the generation of informative captions. To improve user accessibility, these captions were subsequently translated into audio using Text-to-Speech (TTS) technology. This system is designed with computational efficiency and user accessibility in mind, making it beneficial for a wide array of users, including those with visual impairments.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle