DQU-CLIP: Enhanced Multimodal for COVID-19 ICU Patients Survival Prediction using CXR and Clinical Data
Notice bibliographique
Résumé
Accurate and timely 90-day survival prediction for critically ill COVID-19 patients is vital to optimize scarce ICU resources, yet single-source models often miss important pathophysiological cues. Emerging studies show that combining complementary modalities can reveal richer prognostic signatures than any modality in isolation. Motivated by this, we present DQU-CLIP, an advanced multimodal deep learning framework designed to overcome this limitation. Utilizing the CoCross dataset (comprising 171 ICU patients), our model integrates chest Xrays (CXRs) via a pre-trained Contrastive Language-Image Pretraining (CLIP) encoder with key clinical features, including Age, Charlson Comorbidity Index (CCI), APACHE II, and SOFA scores, processed by a neural network. DQU-CLIP achieves a robust ROC-AUC of 0.85, significantly outperforming unimodal baselines (CXR-only: 0.78, Clinical-only: 0.72) and competing multimodal approaches. Extensive validation and ablation studies confirm the synergistic benefit of this fusion. Furthermore, interpretability analysis using Grad-CAM identified relevant lung regions in CXRs, while feature importance pinpointed SOFA and APACHE II scores as critical indicators of disease severity. By effectively unifying radiological and clinical evidence, DQU-CLIP provides a more reliable prognostic assessment.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
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 ».