Published June 26, 2023 | Version v1
Publication Open

Computer-aided diagnosis using embedded ensemble deep learning for multiclass drug-resistant tuberculosis classification

Creators

  • 1. Khon Kaen University
  • 2. Ubon Ratchathani University
  • 3. Kalasin University
  • 4. Buriram Rajabhat University
  • 5. Ubon Ratchathani Rajabhat University

Description

This study aims to develop a web application, TB-DRD-CXR, for the categorization of tuberculosis (TB) patients into subgroups based on their level of drug resistance. The application utilizes an ensemble deep learning model that classifies TB strains into five subtypes: drug sensitive tuberculosis (DS-TB), drug resistant TB (DR-TB), multidrug-resistant TB (MDR-TB), pre-extensively drug-resistant TB (pre-XDR-TB), and extensively drug-resistant TB (XDR-TB).The ensemble deep learning model employed in the TB-DRD-CXR web application incorporates novel fusion techniques, image segmentation, data augmentation, and various learning rate strategies. The performance of the proposed model is compared with state-of-the-art techniques and standard homogeneous CNN architectures documented in the literature.Computational results indicate that the suggested method outperforms existing methods reported in the literature, providing a 4.0%-33.9% increase in accuracy. Moreover, the proposed model demonstrates superior performance compared to standard CNN models, including DenseNet201, NASNetMobile, EfficientNetB7, EfficientNetV2B3, EfficientNetV2M, and ConvNeXtSmall, with accuracy improvements of 28.8%, 93.4%, 2.99%, 48.0%, 4.4%, and 7.6% respectively.The TB-DRD-CXR web application was developed and tested with 33 medical staff. The computational results showed a high accuracy rate of 96.7%, time-based efficiency (ET) of 4.16 goals/minutes, and an overall relative efficiency (ORE) of 100%. The system usability scale (SUS) score of the proposed application is 96.7%, indicating user satisfaction and a likelihood of recommending the TB-DRD-CXR application to others based on previous literature.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تهدف هذه الدراسة إلى تطوير تطبيق ويب، TB - DRD - CXR، لتصنيف مرضى السل (TB) إلى مجموعات فرعية بناءً على مستوى مقاومتهم للأدوية. يستخدم التطبيق نموذج تعلم عميق جماعي يصنف سلالات السل إلى خمسة أنواع فرعية: السل الحساس للأدوية (DS - TB)، والسل المقاوم للأدوية (DR - TB)، والسل المقاوم للأدوية المتعددة (MDR - TB)، والسل المقاوم للأدوية على نطاق واسع (pre - XDR - TB)، والسل المقاوم للأدوية على نطاق واسع (XDR - TB). يتضمن نموذج التعلم العميق الجماعي المستخدم في تطبيق الويب TB - DRD - CXR تقنيات اندماج جديدة، وتجزئة الصور، وزيادة البيانات، واستراتيجيات معدل التعلم المختلفة. تتم مقارنة أداء النموذج المقترح مع أحدث التقنيات وبنى CNN المتجانسة القياسية الموثقة في الأدبيات. تشير النتائج الحسابية إلى أن الطريقة المقترحة تتفوق على الأساليب الحالية المذكورة في الأدبيات، مما يوفر زيادة بنسبة 4.0 ٪-33.9 ٪ في الدقة. علاوة على ذلك، يوضح النموذج المقترح أداءً متفوقًا مقارنة بنماذج CNN القياسية، بما في ذلك DenseNet201 و NASNetMobile و EfficientNetB7 و EfficientNetV2B3 و EfficientNetV2M و ConvNeXtSmall، مع تحسينات في الدقة بنسبة 28.8 ٪ و 93.4 ٪ و 2.99 ٪ و 48.0 ٪ و 4.4 ٪ و 7.6 ٪ على التوالي. تم تطوير تطبيق الويب TB - DRD - CXR واختباره مع 33 من الطاقم الطبي. أظهرت النتائج الحسابية معدل دقة عالية بنسبة 96.7 ٪، وكفاءة قائمة على الوقت (ET) تبلغ 4.16 هدف/دقيقة، وكفاءة نسبية إجمالية (ORE) بنسبة 100 ٪. تبلغ درجة قابلية استخدام النظام (SUS) للتطبيق المقترح 96.7 ٪، مما يشير إلى رضا المستخدم واحتمال التوصية بتطبيق TB - DRD - CXR للآخرين بناءً على الأدبيات السابقة.

Translated Description (French)

Cette étude vise à développer une application Web, TB-DRD-CXR, pour la catégorisation des patients tuberculeux (TB) en sous-groupes en fonction de leur niveau de pharmacorésistance. L'application utilise un modèle d'apprentissage approfondi d'ensemble qui classe les souches de tuberculose en cinq sous-types : tuberculose pharmacosensible (TB-DS), tuberculose pharmacorésistante (TB-DR), tuberculose multirésistante (TB-MR), tuberculose pré-résistante (TB-préexistante) et tuberculose ultrarésistante (TB-XDR). Le modèle d'apprentissage approfondi d'ensemble utilisé dans l'application Web TB-DRD-CXR intègre de nouvelles techniques de fusion, de segmentation d'image, d'augmentation des données et diverses stratégies de taux d'apprentissage. La performance du modèle proposé est comparée aux techniques de pointe et aux architectures CNN homogènes standard documentées dans la littérature. Les résultats des calculs indiquent que la méthode suggérée surpasse les méthodes existantes rapportées dans la littérature, fournissant une augmentation de 4,0 % à 33,9 % de la précision. De plus, le modèle proposé démontre des performances supérieures par rapport aux modèles CNN standard, y compris DenseNet201, NASNetMobile, EfficientNetB7, EfficientNetV2B3, EfficientNetV2M et ConvNeXtSmall, avec des améliorations de précision de 28,8 %, 93,4 %, 2,99 %, 48,0 %, 4,4 % et 7,6 % respectivement. L'application Web TB-DRD-CXR a été développée et testée avec 33 membres du personnel médical. Les résultats des calculs ont montré un taux de précision élevé de 96,7 %, une efficacité basée sur le temps (ET) de 4,16 objectifs/minutes et une efficacité relative globale (ORE) de 100 %. Le score de l'échelle d'utilisabilité du système (sus) de l'application proposée est de 96,7 %, ce qui indique la satisfaction des utilisateurs et la probabilité de recommander l'application TB-DRD-CXR à d'autres sur la base de la littérature précédente.

Translated Description (Spanish)

Este estudio tiene como objetivo desarrollar una aplicación web, TB-DRD-CXR, para la categorización de pacientes con tuberculosis (TB) en subgrupos según su nivel de resistencia a los medicamentos. La aplicación utiliza un modelo de aprendizaje profundo conjunto que clasifica las cepas de TB en cinco subtipos: tuberculosis sensible a los medicamentos (DS-TB), tuberculosis resistente a los medicamentos (DR-TB), tuberculosis multirresistente (MDR-TB), tuberculosis preextensivamente resistente a los medicamentos (pre-XDR-TB) y tuberculosis extensamente resistente a los medicamentos (XDR-TB). El modelo de aprendizaje profundo conjunto empleado en la aplicación web TB-DRD-CXR incorpora nuevas técnicas de fusión, segmentación de imágenes, aumento de datos y varias estrategias de velocidad de aprendizaje. El rendimiento del modelo propuesto se compara con las técnicas de vanguardia y las arquitecturas homogéneas estándar de CNN documentadas en la literatura. Los resultados computacionales indican que el método sugerido supera a los métodos existentes informados en la literatura, proporcionando un aumento del 4.0%-33.9% en la precisión. Además, el modelo propuesto demuestra un rendimiento superior en comparación con los modelos estándar de CNN, incluidos DenseNet201, NASNetMobile, EfficientNetB7, EfficientNetV2B3, EfficientNetV2M y ConvNeXtSmall, con mejoras de precisión del 28,8%, 93,4%, 2,99%, 48,0%, 4,4% y 7,6%, respectivamente. La aplicación web TB-DRD-CXR se desarrolló y probó con 33 profesionales médicos. Los resultados computacionales mostraron una alta tasa de precisión del 96.7%, una eficiencia basada en el tiempo (ET) de 4.16 objetivos/minutos y una eficiencia relativa general (ORE) del 100%. La puntuación de la escala de usabilidad del sistema (sus) de la aplicación propuesta es del 96,7%, lo que indica la satisfacción del usuario y la probabilidad de recomendar la aplicación TB-DRD-CXR a otros según la literatura anterior.

Files

pdf.pdf

Files (3.3 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:f026c741c5898f74521e9335822cf173
3.3 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التشخيص بمساعدة الكمبيوتر باستخدام التعلم العميق المدمج لتصنيف السل المقاوم للأدوية متعدد الطبقات
Translated title (French)
Diagnostic assisté par ordinateur utilisant l'apprentissage en profondeur d'ensemble intégré pour la classification multi-classe de la tuberculose pharmacorésistante
Translated title (Spanish)
Diagnóstico asistido por ordenador utilizando el aprendizaje profundo integrado para la clasificación multiclase de tuberculosis resistente a los medicamentos

Identifiers

Other
https://openalex.org/W4382139638
DOI
10.3389/fmed.2023.1122222

Is supplement to
https://openalex.org/W4382345315 (Other)
https://openalex.org/W4318677156 (Other)
https://openalex.org/W4308112567 (Other)
https://openalex.org/W4285741730 (Other)
https://openalex.org/W4281560664 (Other)
https://openalex.org/W3162132941 (Other)
https://openalex.org/W3136979370 (Other)
https://openalex.org/W3124943098 (Other)
https://openalex.org/W3034006481 (Other)
https://openalex.org/W2810053714 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Thailand

References

  • https://openalex.org/W1838004362
  • https://openalex.org/W1945788957
  • https://openalex.org/W1980821286
  • https://openalex.org/W1985830215
  • https://openalex.org/W1988938467
  • https://openalex.org/W1993909515
  • https://openalex.org/W2025704175
  • https://openalex.org/W2032191478
  • https://openalex.org/W2062322640
  • https://openalex.org/W2078212305
  • https://openalex.org/W2097117768
  • https://openalex.org/W2108598243
  • https://openalex.org/W2131744380
  • https://openalex.org/W2132996401
  • https://openalex.org/W2138146560
  • https://openalex.org/W2158698691
  • https://openalex.org/W2194775991
  • https://openalex.org/W2345205852
  • https://openalex.org/W2431494365
  • https://openalex.org/W2624049724
  • https://openalex.org/W2754689252
  • https://openalex.org/W2793632460
  • https://openalex.org/W2796043646
  • https://openalex.org/W2845516082
  • https://openalex.org/W2895344120
  • https://openalex.org/W2918637710
  • https://openalex.org/W2939791383
  • https://openalex.org/W2962835968
  • https://openalex.org/W2962858109
  • https://openalex.org/W2964054038
  • https://openalex.org/W2984802304
  • https://openalex.org/W2998315284
  • https://openalex.org/W3012412627
  • https://openalex.org/W3019202592
  • https://openalex.org/W3097328883
  • https://openalex.org/W3138784122
  • https://openalex.org/W3140986560
  • https://openalex.org/W3145444543
  • https://openalex.org/W3149839747
  • https://openalex.org/W3154514470
  • https://openalex.org/W3165277490
  • https://openalex.org/W3176634166
  • https://openalex.org/W3179950315
  • https://openalex.org/W3193713472
  • https://openalex.org/W3195874325
  • https://openalex.org/W3206680674
  • https://openalex.org/W3211729376
  • https://openalex.org/W3215517758
  • https://openalex.org/W4205312762
  • https://openalex.org/W4210546526
  • https://openalex.org/W4214951699
  • https://openalex.org/W4220923770
  • https://openalex.org/W4281982154
  • https://openalex.org/W4283262836
  • https://openalex.org/W4283813601
  • https://openalex.org/W4286005627
  • https://openalex.org/W4286255117
  • https://openalex.org/W4286447737
  • https://openalex.org/W4291002587
  • https://openalex.org/W4292578168
  • https://openalex.org/W4296242501
  • https://openalex.org/W4310072448
  • https://openalex.org/W4311319151
  • https://openalex.org/W4312204853
  • https://openalex.org/W4313414694
  • https://openalex.org/W4318559680
  • https://openalex.org/W4318677156
  • https://openalex.org/W6908809