Deep learning model meets community-based surveillance of acute flaccid paralysis
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
Acute flaccid paralysis (AFP) case surveillance is pivotal for the early detection of potential poliovirus, particularly in endemic countries such as Ethiopia. The community-based surveillance system implemented in Ethiopia has significantly improved AFP surveillance. However, challenges like delayed detection and disorganized communication persist. This work proposes a simple deep learning model for AFP surveillance, leveraging transfer learning on images collected from Ethiopia's community key informants through mobile phones. The transfer learning approach is implemented using a vision transformer model pretrained on the ImageNet dataset. The proposed model outperformed convolutional neural network-based deep learning models and vision transformer models trained from scratch, achieving superior accuracy, F1-score, precision, recall, and area under the receiver operating characteristic curve (AUC). It emerged as the optimal model, demonstrating the highest average AUC of 0.870 ± 0.01. Statistical analysis confirmed the significant superiority of the proposed model over alternative approaches ( P < 0.001). By bridging community reporting with health system response, this study offers a scalable solution for enhancing AFP surveillance in low-resource settings. The study is limited in terms of the quality of image data collected, necessitating future work on improving data quality. The establishment of a dedicated platform that facilitates data storage, analysis, and future learning can strengthen data quality. Nonetheless, this work represents a significant step toward leveraging artificial intelligence for community-based AFP surveillance from images, with substantial implications for addressing global health challenges and disease eradication strategies.
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 | 0,000 | 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 | 0,001 |
| 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