Transfer learning-enhanced CNN model for integrative ultrasound and biomarker-based diagnosis of polycystic ovarian disease
Notice bibliographique
Résumé
Polycystic Ovarian Disease (PCOD), also known as Polycystic Ovary Syndrome (PCOS), is a prevalent hormonal and metabolic condition primarily affecting women of reproductive age worldwide. It is typically marked by disrupted ovulation, an increase in circulating androgen hormones, and the presence of multiple small ovarian follicles, which collectively result in menstrual irregularities, infertility challenges, and associated metabolic disturbances. This study presents an automated diagnostic framework for PCOD detection from transvaginal ultrasound images, leveraging an Enhanced [Formula: see text] convolutional neural network architecture. The model incorporates attention mechanisms, batch normalization, and dropout regularization to improve feature learning and generalization. Bayesian Optimization was employed to fine-tune critical hyperparameters, including learning rate, batch size, and dropout rate, ensuring optimal model performance. The proposed system was trained and validated on a curated ovarian ultrasound image dataset, applying data augmentation and SMOTE techniques to address class imbalance. Experimental evaluation demonstrated that the Enhanced [Formula: see text] model achieved a classification accuracy of 94.8%, sensitivity of 93.2%, specificity of 95.5%, precision of 94.0%, and an F1-score of 93.6% on the independent test set. Interpretability was enhanced through Grad-CAM visualization, which effectively localized diagnostically significant regions within the ultrasound images, corroborating clinical findings. These results highlight the potential of the proposed deep learning-based framework to serve as a reliable, scalable, and interpretable decision-support tool for PCOD diagnosis, offering improved diagnostic consistency and reducing operator dependency in clinical workflows.
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 | 0,001 |
| 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 ».