Aller au contenu principal
Accès ouvert déclaré 2025 article

Multi-view deep learning framework for the detection of chest X-rays compatible with pediatric pulmonary tuberculosis

12Citations signalées, ce qui n’est pas une note de qualité
25Institutions déclarées
5Pays d’affiliation déclarés

Rattachement africain : us, es, fr, Afrique du Sud, Mozambique. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Tuberculosis (TB) remains a major global health burden, particularly in low-resource, high-prevalence regions. Pediatric TB diagnosis poses challenges with non-specific symptoms and less distinct radiological manifestations than adult TB. Many affected children remain undiagnosed or untreated. The World Health Organization (WHO) recommends chest X-ray (CXR) for TB screening and triage, given its accessibility and rapid assessment of pulmonary TB-related abnormalities. We present pTBLightNet, a multi-view deep learning framework to detect pediatric pulmonary TB by identifying TB-compatible CXRs with consistent radiological findings. Leveraging both frontal and lateral CXR views, our framework is pre-trained on adult CXR datasets (N = 114,173), then fine-tuned or trained from scratch, and subsequently evaluated on CXR datasets (N = 918) from three pediatric TB cohorts. It achieves an area under the curve (AUC) of 0.903 and 0.682 on internal and external testing, respectively. External evaluation supports its effectiveness and generalizability using CXR TB compatibility, expert reading, microbiological confirmation and case definition as reference standards. Age-specific models (<5 and 5-18 years) perform competitively with those trained on larger undifferentiated populations, and adding lateral CXRs improves diagnosis in younger children. These results highlight the robustness of our approach across age groups and its potential to improve TB diagnosis, particularly in resource-limited settings.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Multi-view deep learning framework for the detection of chest X-rays compatible with pediatric pulmonary tuberculosis
Date Crossref
27/10/2025
Éditeur
Springer Science and Business Media LLC
Type
journal-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Children's National Department of Diagnostic Imaging and Radiology pays non établi dans la notice
    Établissement de santé
  • Biomedical Research Networking Center in Bioengineering pays non établi dans la notice
    Institution
  • European Telecommunications Standards Institute pays non établi dans la notice
    Organisation à but non lucratif
  • Universidad Politécnica de Madrid pays non établi dans la notice
    Université ou école supérieure
  • George Washington University pays non établi dans la notice
    Université ou école supérieure
  • Instituto de Salud Carlos III Biomateriales y Nanomedicina (CIBER-BBN) pays non établi dans la notice
    Organisme public
  • Hospital General Universitario Gregorio Marañón pays non établi dans la notice
    Établissement de santé
  • Centro de Investigación Biomédica en Red pays non établi dans la notice
    Structure de recherche
  • Centro de Investigación Biomédica en Red Enfermedades Infecciosas pays non établi dans la notice
    Structure de recherche
  • Instituto de Investigación Sanitaria Gregorio Marañón pays non établi dans la notice
    Structure de recherche
  • Desmond Tutu HIV Foundation Afrique du Sud (code pays fourni par la source)
    Organisation à but non lucratif
  • Stellenbosch University Department of Pediatrics and Child Health Stellenbosch University, Afrique du Sud (code pays fourni par la source)
    Université ou école supérieure

Department of Diagnostic Imaging and Radiology — Children's National, Biomedical Research Networking Center in Bioengineering et European Telecommunications Standards Institute, avec 9 autres affiliations. Pays d’affiliation : Afrique du Sud, Mozambique.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Tuberculosis Research and EpidemiologyCOVID-19 diagnosis using AIArtificial Intelligence in Healthcare and Education

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.