Automated Diagnosis of Multiple Sclerosis Using Transfer Learning and LightGBM on FLAIR MRI Data
Notice bibliographique
Résumé
This study explores the application of transfer learning (TL) combined with a Light Gradient Boosting Machine (LightGBM) for classifying and detecting multiple sclerosis (MS) lesions in FLAIR Magnetic Resonance Imaging (MRI) images.Utilizing a dataset of 3,427 MRI images categorized into four distinct classes-Control Axial, Control Sagittal, MS-Axial, and MS-Sagittal-preprocessing included image resizing, normalization, and conversion to ensure consistency and compatibility for training.TL architectures including DenseNet169, VGG16, ResNet50, InceptionV3, and MobileNet were fine-tuned to extract meaningful image features.LightGBM was subsequently employed to classify these features with high efficiency.Among the evaluated model combinations, DenseNet169 paired with LightGBM achieved the best performance, with an accuracy of 98.4%, precision of 0.98, recall of 0.98, and an F1 score of 0.98.VGG16 and ResNet50 also demonstrated robust classification capabilities with accuracies of 97.7% and 95.3%, respectively.In contrast, MobileNet+LightGBM (accuracy: 94.0%, F1-score: 0.94) and InceptionV3+LightGBM (accuracy: 90.8%, F1-score: 0.91) exhibited lower performance, reflecting limited effectiveness in capturing intricate MRI patterns.Receiver Operating Characteristic (ROC) curves validated the superior discriminatory power of DenseNet169+LightGBM.These results highlight the potential of combining transfer learning (TL) and machine learning (ML) for accurate MS lesion identification and early diagnosis, supporting improved clinical tools.
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 | 0,001 |
| 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 | 0,002 |
| 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 ».