Deep Learning For The Classification of Lung Diseases \nUsing Chest X-Rays
Notice bibliographique
Résumé
The discovery of X-rays marked a significant milestone in the field of medicine. One of the most common types of X-rays, the chest X-ray (CXR), allows doctors to examine an individual’s internal structure without surgery. Over the years, deep learning methods and algorithms have been developed to automate lung disease detection and identification. This paper introduces RADIA, a project that combines multiple deep learning techniques to identify abnormal areas and abnormal- ities in chest X-rays. RADIA builds upon previous studies conducted by the Stanford ML group, such as ChexNet and ChexPert. Our team utilized the ConvNeXt-Large, a deep learning convo- lutional model, implemented with a pre-trained ConvNext algorithm on the ImageNet database to classify various pathologies from public datasets like ChestX-ray14, CheXpert, MIMIC-CXR, PadChest, and VinDr-CXR, as well as a private dataset obtained from the Picture Archiving Com- munication System (PACS) at Verdun and Notre Dame Hospitals in Montreal in the collaboration with CIUSSS (Centre Integre Universitaire de Sante et de Services Sociaux du Centre-Sud-de-l’Ile- de-Montreal) and valuable consultants from the radiology team at Notre Dame Hospital contributed to the project’s success. Our team employed image enhancement and augmentation techniques to create various image versions. We used different and novel approaches to address the challenges, and the results were evaluated using metrics such as AUC, F1, and G-Means to analyze performance with imbalanced input data. It is essential to note that the project’s development extends beyond the creation of a web tool based on deep learning techniques. Our future plans involve building a decision helper that combines inference models and web tools to assist healthcare professionals.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».