Automated <scp>AI</scp> ‐Based Lung Disease Classification Using Point‐of‐Care Ultrasound
Notice bibliographique
Résumé
ABSTRACT Timely and accurate diagnosis of lung diseases is critical for reducing related morbidity and mortality. Lung ultrasound (LUS) has emerged as a useful point‐of‐care tool for evaluating various lung conditions. However, interpreting LUS images remains challenging due to operator‐dependent variability, low image quality, and limited availability of experts in many regions. In this study, we present a lightweight and efficient deep learning model, ParSE‐CNN, alongside fine‐tuned versions of VGG‐16, InceptionV3, Xception, and Vision Transformer architectures, to classify LUS images into three categories: COVID‐19, other lung pathology, and healthy lung. Models were trained using data from public sources and Ugandan healthcare facilities, and evaluated on a held‐out Ugandan dataset. Fine‐tuned VGG‐16 achieved the highest classification performance with 98% accuracy, 97% precision, 98% recall, and a 97% F1‐score. ParSE‐CNN yielded a competitive accuracy of 95%, precision of 94%, recall of 95%, and F1‐score of 97% while offering a 58.3% faster inference time (0.006 s vs. 0.014 s) and a lower parameter count (5.18 M vs. 10.30 M) than VGG‐16. To enhance input quality, we developed a preprocessing pipeline, and to improve interpretability, we employed Grad‐CAM heatmaps, which showed high alignment with radiologically relevant features. Finally, ParSE‐CNN was integrated into a mobile LUS workflow with a PC backend, enabling real‐time AI‐assisted diagnosis at the point of care in low‐resource 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».