Streamlining tuberculosis detection with foundation model-based weakly supervised transformer
Notice bibliographique
Résumé
Tuberculosis (TB) remains a major global health challenge, particularly in low- and middle-income countries. Traditional microscopy-based diagnostics are labor-intensive and error-prone, while automated deep learning models often require detailed expert annotations and intensive preprocessing, limiting their scalability. To address these challenges, we propose a weakly supervised approach for detecting Mycobacterium tuberculosis (MTB) in microscopy images, leveraging UNI, a foundation model pretrained on millions of pathology images. Our method encodes microscopy images as sequences of patch-level embeddings using UNI and applies a Transformer encoder to classify each image using only image-level labels, without requiring detailed annotations. This framework minimizes preprocessing, reduces annotation costs, and enhances scalability. Our model was trained and tested on large, diverse datasets, achieving high PR-AUC scores (0.943-0.974), demonstrating strong performance and robustness. This success highlights the potential of our approach, which introduces two key innovations not previously explored for automated TB detection: leveraging cross-domain transfer learning by applying UNI for MTB detection and using a weakly supervised approach that relies only on image-level labels, significantly reducing the annotation burden compared to traditional fully supervised methods. Our results underscore the feasibility of foundation models in TB diagnostics and broader medical imaging applications. This scalable, weakly supervised approach demonstrates promising experimental results, highlighting its potential to significantly reduce annotation requirements and streamline TB detection workflows, particularly relevant to resource-limited settings.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».