Скринінг туберкульозу за аудіо кашлю: базові моделі, клінічні змінні та кількісна оцінка невизначеності
У цій статті ми пропонуємо стандартизовану рамку для автоматичного виявлення туберкульозу (ТБ) з аудіо кашлю та регулярно зібраних клінічних даних за допомогою машинного навчання. Хоча скринінг ТБ за аудіо привертає все більшу увагу, прогрес важко виміряти, оскільки існуючі дослідження суттєво різняться за наборами даних, визначеннями груп, представленнями ознак, родинами моделей, протоколами валідації та звітами з метрик. Внаслідок цього, повідомлені досягнення часто не підлягають прямому порівнянню, і залишаються незрозумілими, чи покращення обумовлені досягненнями в моделюванні, чи різницями в даних та оцінках. Ми заповнюємо цю прогалину, встановлюючи сильну, добре задокументовану базу для прогнозування ТБ за допомогою записів кашлю та супутньої клінічної метаданих з нещодавно зібраного набору даних з кількох країн. Наша система є відтворювальною від початку до кінця, охоплюючи вилучення ознак, мультимодальне об’єднання, незалежну оцінку кашлярів та кількісну оцінку невизначеності, і вона надає послідовний набір клінічно релевантних метрик для забезпечення справедливого порівняння. Ми також кількісно оцінюємо продуктивність моделей лише з аудіо кашлю та об’єднаних (аудіо + клінічна метадані), та публікуємо повний експериментальний протокол для полегшення бенчмаркінгу. Ця база призначена для того, щоб служити спільною точкою відліку і зменшити методологічну варіацію, яка наразі стримує прогрес у цій галузі.
January 14, 2026 at 04:18AM
Залишити відповідь