Sep, 2022

深度学习和机器学习在疟疾检测中的应用：概述，挑战和未来方向

PDF
TL;DR使用各种机器学习和图像处理方法，探测和预测疟疾疾病的潜力，发现深度学习技术作为智能工具在疟疾检测中具有广泛适用性，旨在针对深度学习在计算机框架和组织方面的常见限制进行未来的研究方向。
public healthevidence-based decision-makingmachine learningimage analysismalaria detection
发现论文，激发创造
  • 基于机器学习和深度学习技术的自动化基于网络的疟疾检测系统

    我们使用传统的 CNN 和迁移学习模型（VGG19、InceptionV3 和 Xception）来构建深度学习技术，用于疟疾感染细胞分类。测试结果显示，深度 CNN 具有最高的准确度（97%），其次是 Xception（95%）。用户可以通过网页界面上传血涂片图像进行疟疾检测。

    Jun, 2024

  • 利用深度神经网络检测疟疾细胞

    使用深度学习方法自动化检测疟疾感染细胞，通过 ResNet50 卷积神经网络模型和训练集 27,558 张分为感染和未感染细胞的 Malaria Cell Images Dataset 的转移学习，实现高准确率、精确度和召回率，证明其在疟疾诊断中的潜力，且开发了 Streamlit 的网络应用以提供上传细胞图像和接收疟疾感染预测的用户友好的技术。

    Jun, 2024

  • 机器学习在疾病诊断中的最新进展：几十年的系统调查、比较和挑战

    计算机辅助诊断是一个快速发展的医学成像研究领域。本文综述了在计算机辅助诊断中应用机器学习和模式识别的算法，以检测包括肝炎、糖尿病、肝病、登革热和心脏疾病在内的多种疾病，以提高疾病检测的精确性和支持决策过程的客观性。

    Jul, 2023

  • 利用深度学习模型预测布隆迪疟疾动态

    本研究基于机器学习建立了 LSTM 预测模型，通过利用与气候变化相关的因素以及疟疾历史数据和人口数据，成功预测了布隆迪国家范围内的疟疾病例，为相关干预措施的制定提供支持。

    Jun, 2023

  • 使用 ResNet50 主干的迁移学习辅助诊断疟疾

    本篇论文提出了一种基于 ResNet50 深度神经网络的计算机辅助诊断方法来检测感染疟疾的血液薄片细胞图像，其分类准确率和召回率分别达到 98.75% 和 99.5%。

    Apr, 2023

  • 机器学习模型预测疫情爆发

    使用机器学习和深度学习算法，预测纽约州新的一次流感、肝炎和疟疾的疫情爆发，并创建了一个可在爆发时向当局和医疗组织发送警报的门户网站。

    Oct, 2023

  • 使用 Faster R-CNN 进行疟疾图像物体检测

    本研究使用基于深度学习的 Faster R-CNN 模型对恶性疟疾感染的血液细胞进行目标检测和识别，对比传统方法和专家手动算数，证明 Faster R-CNN 在细胞识别上更有效。

    Apr, 2018

  • 基于深度卷积神经网络的显微镜点滴诊断

    本文使用深度卷积神经网络对三个不同的显微镜任务（血液涂片中的疟原虫，痰液样本中的结核菌和粪便样本中的肠道寄生虫卵）进行评估，结果表明准确性非常高，远远优于其他代表传统医学成像技术的替代方案。

    Aug, 2016

  • 机器学习在临床疾病诊断中的重要性：综述

    通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

    Oct, 2023

  • 机器学习在传染病风险预测中的应用调查

    通过机器学习可以定量描述疾病传播模式并准确预测传染性疾病风险，促进疾病预防和控制。

    Aug, 2023