Medicine image classification using deep learning: highlighting the MedNet-MoBiL hybrid model
Notice bibliographique
Résumé
Deep learning has transformed image classification tasks across many domains, including medical diagnostics. Medicine wrappers, boxes, and strips often contain valuable but complex information that can be difficult to read and comprehend manually. This complexity drives users to seek additional knowledge online. However, traditional search engines often present a large volume of results, requiring users to manually filter through multiple links to find relevant information, which can be time-consuming. To address this issue, we propose a lightweight pipeline that leverages MobileNetV2 for image classification and Optical Character Recognition (OCR) for extracting text content from medicine packaging. The extracted text is processed using the RAKE algorithm to identify significant keywords, which are then matched with relevant URLs through a Google Search API. To ensure relevance, retrieved links are ranked using ROUGE scores. Performance metrics demonstrate the model's efficiency, with ROUGE-1 achieving 90% Recall, 95% F1-Score, and 90% Accuracy, and ROUGE-L achieving 83% Recall, 91% F1-Score, and 83% Accuracy. The pipeline was trained and validated on a curated dataset of 3,000 real-world medicine packaging images, publicly available on GitHub. These results highlight the novelty and practicality of our solution for automating medical information retrieval from packaging, using an interpretable and scalable deep learning-driven approach.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».