Detección y clasificación de huevos de parásitos en imágenes microscópicas
Bibliographic record
Abstract
Las afecciones por parásitos intestinales son un grave problema de salud con un alto impacto en algunas áreas geográficas. Dado que actualmente la evaluación de estas enfermedades se realiza de forma manual a través de expertos, es posible aplicar técnicas de aprendizaje automático para ayudar en el desarrollo de esta tarea, reduciendo al menos la carga de trabajo. Esto podría llevar a un menor tiempo de detección de la enfermedad y a la aplicación de un tratamiento adecuado más rápidamente. En el contexto del aprendizaje profundo, se han propuesto muchas técnicas de detección de objetos, validadas en conjuntos de datos de propósito general, como ImageNet o COCO. En este trabajo, proponemos una unión de varias de ellas, incluyendo técnicas recientes basadas en Transformers, para afrontar esta tarea particular. Como resultado, la unión de los métodos TOOD, Cascade-RCNN (Swin-Transformer), Cascade-RCNN (ConvNeXt) y YOLOX, aplicados a la detección de este tipo de imágenes, consigue un valor de 0,915 para la métrica Intersección sobre la Unión (Intersection over Union, IoU), el cual es mayor que los resultados obtenidos por cada uno de los métodos por separado.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.002 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".