Development and Testing of Artificial Intelligence-Based Mobile Application to Achieve Cataract Backlog-Free Status in Uttar Pradesh, India
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».