A schistosomiasis dataset with bright- and darkfield images
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
Schistosomiasis is a neglected tropical disease (NTD) that threatens 700 million and impacts 250 million people per year.The disease is caused by blood flukes of the genus Schistosoma, which enter the human body through contact with infected water.One species, S. haematobium, sheds eggs through the urinary tract, and can thus be diagnosed by examining urine samples for these eggs.Because concentrations of schistosomiasis infection are highly localized and are often in remote areas, rapid and robust field diagnosis is crucial to both individual diagnosis and the mapping that informs control efforts.Artificial intelligence (AI) algorithms, if properly designed, can speed up and improve both diagnosis and mapping through scalable, accurate analysis of images of urine samples.To develop such algorithms, we offer the dataset described here.It consists of paired bright-and darkfield images of urine samples collected in two distinct field studies in Cte d'Ivoire, Africa.There are images from 728 patients, of whom 151 were schisto-positive and contain S. haematobium eggs.Crucially, each patient has sufficient images to diagnose S. haematobium infection, so the dataset can be used to realistically test the diagnostic value of algorithms for clinical use.The division into two studies allows testing of algorithm generalizability.Due to exigencies of the data collection protocol, the images display a variety of qualities, from clear to blurry, which further allows testing of algorithm robustness to realistic noise.The dataset is thus well-suited to developing algorithms that can be of concrete value in schistosomiasis control efforts.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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