Automated <scp>AI</scp> ‐Based Lung Disease Classification Using Point‐of‐Care Ultrasound
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| 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 découle