全球健康的适应性干预:疟疾的案例研究
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。
Sep, 2022
本文提出一种基于随机多臂老虎机问题的方法来寻找最优疟疾政策,并以高斯过程回归生成不同策略的政策空间,并引入了三种基于代理的策略以探索政策空间,该方法可为制定卫生政策的决策者提供有力的资源。
Dec, 2017
通过结合 MBConv3 和改进的全局 MHSA 机制,我们设计了 M2ANET 模型,用于在血细胞图像中高效分类疟原虫,通过对基准测试的广泛实验,我们证明了 M2ANET 在准确性和效率方面优于一些先进的轻量级和移动网络,同时讨论了 M2ANET 在推动疟疾诊断和治疗方面的潜在影响,并强调了它在资源有限的医疗保健环境中部署的适用性,M2ANET 的开发代表了在高效准确的疟疾检测追求中的重大进展,对医学图像分析和全球医疗保健倡议具有广泛的影响。
May, 2024
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
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
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
使用搜索数据研究发展中国家健康信息需求,结果表明这种方法可以帮助制定和完善医疗政策和在线、离线教育计划,同时对于调查难以发现的相关问题,比如乳汁喂养,社会歧视等更有针对性。
Jun, 2018
我们与尼日利亚的 HelpMum 合作,研发和优化各种卫生干预措施的分配,以增加疫苗接种率,并将其用于一个基于整数线性规划的框架 ADVISER 中,它旨在最大化成功接种的累积概率。我们提出的启发式方法在实验评估中优于基准方法,为 Nigeria 提高健康状况的数据驱动计划开辟了道路。
Apr, 2022
利用逆向推理、机器学习和优化技术,我们开发了一个数据驱动的决策模型,用于决定对处于风险中的患者进行成本效益高的预防治疗的分配,从而实现了疾病的有效防治,并在美国人口中应用可以实现每年 11 亿美元的节省。
Aug, 2023