SPARSE CODING AND EXTRACTION OF ULTRASOUND KNOWLEDGE FOR EXPLAINABLE POINT-OF-CARE ULTRASOUND ARTIFICIAL INTELLIGENCE

A system develops classifiers that can aid medical professionals by diagnosing whether or not a patient has a medical condition like pneumothorax. The system breaks the task into multiple steps, using Y0L0v4 to extract relevant regions of the video and a 3D sparse coding model to represent video features. Given the difficulty in acquiring positive training videos, the inventors trained a small-data classifier with a maximum of 15 positive and 32 negative examples. To counteract this limitation, the inventors leveraged subject matter expert (SME) knowledge to limit the hypothesis space, thus reducing the cost of data collection. The inventors present results using two lung ultrasound datasets and demonstrate that the inventors' model is capable of achieving performance on par with SMEs in pneumothorax identification. Un système développe des classificateurs qui peuvent aider les professionnels médicaux à diagnostiquer si un patient est atteint ou non d'une affection médicale telle que le pneumothorax. Le système répartit la tâche en de multiples étapes, à l'aide de Y0L0v4 pour extraire des régions pertinentes de la vidéo et d'un modèle de codage épars 3D pour représenter des caractéristiques vidéo. Compte tenu de la difficulté d'acquisition de vidéos d'apprentissage positives, les inventeurs ont entraîné un classificateur de petites données avec un maximum de 15 exemples positifs et 32 exemples négatifs. Afin de contrer cette limitation, les inventeurs ont fait recours à la connaissance d'expert en la matière (SME) pour limiter les hypothèses, réduisant ainsi le coût de collecte de données. Les inventeurs présentent des résultats à l'aide de deux ensembles de données ultrasonores pulmonaires et démontrent que le modèle des inventeurs est capable de présenter des performances au même niveau que l'identification des SME en pneumothorax.