Computerized Diagnosis Methods for Pediatric Cardiology: A Review
Notice bibliographique
Résumé
Pediatric cardiac disorders include an extensive range of heart conditions in infants, children and carried over to adolescents in certain cases. These disorders may be congenital or acquired and can vary in impacting the life of the pediatric subject which requires complex surgical procedures and certain cases that do not require medical intervention. Congenital heart disease (CHD) is present during birth and acquired cardiac diseases are developed after birth predominantly due to autoimmune responses or infections. Various acquisition techniques help in visualizing the heart, identify disorders and help the physicians to plan for operative procedures. Pediatric Cardiac Screening is one of the crucial techniques to record cardiac activity which has difficulties in acquisition as children tend to move during the procedure. The data obtained from these modalities may suffer from various artifacts which makes the diagnosis difficult for the clinicians. To make the diagnosis easier and artifact free, artificial intelligence plays a vital role. Artificial Intelligence (AI)-based techniques from traditional machine learning (ML) to deep learning (DL) techniques for classification and segmentation of pediatric cardiac signals and images are systematically reviewed. DL based studies have become a choice of research in pediatric healthcare. Support Vector Machines with linear kernels are the most commonly used ML based classifiers in the reviewed papers. DL methods use Convolutional Neural Networks (CNN) as the primary classifier and U-Net architectures are preferred for segmentation studies in the reviewed papers. There are a very few surveys available to present the diagnostics related to pediatric cardiac disorders and this paper tries to bring out the challenges along with the traditional machine learning and emerging deep learning techniques implemented in classification and segmentation of the pediatric cardiac disorders.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».