Development and Testing of Artificial Intelligence-Based Mobile Application to Achieve Cataract Backlog-Free Status in Uttar Pradesh, India
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
BACKGROUND: Uttar Pradesh (UP), the most populous state in India, has about 36 million people aged 50 years or older, spread across more than 100,000 villages. Among them, an estimated 3.5 million suffer from visual impairments, including blindness due to untreated cataracts. To achieve cataract backlog-free status, UP is required to screen this population at the community level and provide treatment to those suffering from cataracts. We envisioned an AI-powered primary screening app utilizing eye images, deployable to frontline health workers for community-level screening. This paper outlines insights gained from developing the AI mobile app "Roshni" for cataract screening. METHOD: The AI-based cataract classification model was developed using 13,633 eye images and finalized after three stages of experiments, detecting cataracts in images focused on the eye, iris, and pupil. Overall, 155 experiments were conducted using multiple deep learning algorithms, including ResNet50, ResNet101, YOLOv5, EfficientNetV2, and InceptionV3. We established a minimum threshold of 90 % specificity and sensitivity to ensure the algorithm's suitability for field use. RESULTS: The cataract detection model for eye-focused images achieved 51.9 % sensitivity and 87.6 % specificity, while the model for iris-focused images, using a good/bad iris filter, achieved 52.4 % sensitivity and 93.3 % specificity. The classification model for segmented-pupil images, employing a good/bad pupil filter with UNet-based semantic segmentation model and EfficientNetV2, yielded 96 % sensitivity and 97 % specificity. Field testing with 302 beneficiaries (604 images) showed an overall sensitivity of 86.6 %, specificity of 93.3 %, positive predictive value of 58.4 %, and negative predictive value of 98.5 %. CONCLUSION: This paper details the development of an AI mobile app designed to facilitate community screening for cataracts by frontline health workers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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