TinyVit-LightGBM: A lightweight and smart feature fusion framework for IoMT-based cancer diagnosis
Notice bibliographique
Résumé
Cancer remains a leading global health issue, where accurate and timely diagnosis is critical for effective treatment. The Internet of Medical Things (IoMT), an interconnected network of medical devices, offers real-time multimodal and multi-source data acquisition and analysis, facilitating remote monitoring and improving diagnostic precision. However, IoMT-based diagnostic frameworks face major challenges, including limited computational resources of IoMT devices, difficulties in integrating multimodal data from diverse sources, and the necessity for interpretable models to enhance clinical trust. To address these issues, we propose TinyViT-LightGBM, a lightweight and smart multimodal data fusion framework optimized for breast cancer diagnostics in resource-constrained IoMT environments. TinyViT, an efficient Vision Transformer, extracts features from multi-source histopathology images, combined with mammograms and clinical-genetic data through a comprehensive fusion strategy. By using LightGBM for classification, the framework not only achieves high diagnostic accuracy but also enhances interpretability by identifying the most critical diagnostic features. The proposed framework achieves state-of-the-art diagnostic performance, with 97.8% accuracy, a 6.5% improvement over existing methods, alongside gains in precision (97.2%), recall (99.1%), and F1-score (98.1%). Additionally, its low false positive rate (0.0058) and computational efficiency on IoMT devices underscore its scalability and suitability for real-world healthcare applications. • TinyViT-LightGBM is a novel multimodal data fusion framework for IoMT-based breast cancer diagnostics. • The model addresses the issues of computational constraints, multi source data, and data interpretability. • The LightGBM classify the vital feature for accurate decision-making. • The model achieves better diagnostic results with 97.8% accuracy, 97.2% precision, 99.1% recall, and 98.1% F1-score.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».