A YOLO and Transformer-based Smart Scan Framework for Lung Disease Identification in Radiographic Imaging
Notice bibliographique
Résumé
Accurate and timely diagnosis of lung disease using radiographic imaging continues to pose a formidable obstacle for contemporary healthcare systems, especially in low-resource settings where radiologist personnel are in limited supply. This study introduces a hybrid Smart Scan Framework, integrating a real-time, YOLO-based object detector with Transformer-driven attention modelling to achieve robust lung disease classification. The architecture first employs a custom fine-tuned YOLOv8 backbone to precisely delineate lung boundaries and to localize suspected lesions, after which a Vision Transformer module quantifies long-range spatial dependencies that refine diagnostic determination. To enhance feature observability in sub-optimal chest X-rays, the pipeline employs preprocessing techniques including Contrast-Limited Adaptive Histogram Equalization and Gaussian blur suppression. Rigorous experimentation on the CheXpert benchmark shows that the integrated system delivers a detection mean Average Precision of 96.4% and a classification accuracy of 94.7%, exceeding the performance of conventional convolutional neural networks, standalone YOLO, or Transformer approaches. The architecture further accelerates inference, processing 42 frames per second, and lowers the false-positive rate by 18% relative to the baselines, facilitating rapid and dependable triage within clinical workflows. These performance metrics position the Smart Scan Framework as a leading solution for automated lung disease screening, with compelling applicability across hospital settings and portable diagnostic units.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,004 | 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 ».