Un réseau de senseurs pour identifier des mélanges complexes de COVs dans l'haleine humaine
Notice bibliographique
Résumé
Lung cancer is one of the deadliest form of cancer in Europe, being the first and second cause of cancer death respectively for men and women. This high death toll has to be blamed on the lack of obvious symptoms in the early stages of the illness. Current diagnostic methods tend make the screening costly and difficult to organise at a large scale. Asymptomatic subjects and people in remote areas are rarely tested overall, leading to late discovery of the cancer and poor survival chances. There is therefore a need for a diagnostic method that could be used remotely while being simple enough to be used with little prior formation. Gas sensor arrays have properties fitting for the task. This thesis aims at creating and testing a sensor array in order to build a benchmark on which one can compare the discriminative power of different arrays. Several tasks will be performed simultaneously: The first is the establishment of a standardized test method of the metrological characteristics of commercial thick film sensors as well as experimental ones, and their qualities within a sensor network. The second is the integration of experimental sensors into a prototype gas sensor array consistent with the final purpose of the device. The third is the validation of the test method with the prototype electronic nose, which requires the reproducible synthesis of reference gas mixtures. It is also planned to use real breath from healthy persons and cancer patients as validation of the benchmark’s conclusions. The last task is about the processing and analysis of data and the identification and classification of samples in order to obtain a measurement of the array’s discriminatory power. This thesis is part of the PATHACOV research project, funded by Interreg France-Wallonie-Vlaanderen.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».