Cost-Effective Deep Learning Framework for Automated Thalassemia Screening in Resource-Limited Settings
Notice bibliographique
Résumé
Thalassemia is an inherited blood disorder characterized by defective globin chain synthesis, leading to reduced hemoglobin production. It is classified mainly into alpha- and beta-thalassemia. This study aims to leverage deep learning models to detect thalassemia using three methods, Multilayer Perceptron (MLP), a Residual MLP (ResMLP), and TabNet model. The dataset used was publicly available, sourced from a screening test conducted in India and had 13021 records with three study groups (normal, thalassemia and other hemoglobinopathies). After data preprocessing, feature scaling, and splitting, model performance was evaluated. Residual MLP model achieved 99.69% accuracy and 97% F1 score, which was the highest among all models. Furthermore, the multiclass MLP model has also shown comparative results with 99.62% accuracy and 96% F1 score validating the model's ability to predict thalassemia effectively. However, Tabnet model showed the highest recall of 99% but lowest accuracy and F1score of 99.19% and 92% respectively. The results indicate that the Residual MLP model outperformed other models with superior accuracy and F1 score, demonstrating its robustness in predicting thalassemia. Also, comparable results from the multiclass MLP models further validate the reliability of deep learning approaches for thalassemia screening potentially in a clinical setting
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 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 ».