基于机器学习的 COVID-19 实时磁性跟踪与诊断
本文提出使用 MobileNetV2 模型的轻量级深度学习技术进行 COVID-19 检测的开发和性能评估,该模型与重量级模型相比性能相当且可大幅降低计算资源的成本和内存需求,为中低收入国家提供低成本和移动的点‑of‑care 检测系统提供了有效的解决方案。
May, 2023
介绍了一个新的 COVID-19 CT 扫描数据集 COVID-CT-MD,该数据集不仅包括 COVID-19 病例,而且还包括 CAP 的健康和感染主体,并标有叶片级别,切片级别和病人级别标签,有助于开发先进的基于机器学习和深度神经网络的解决方案。
Sep, 2020
该论文着重介绍了使用机器学习以增强 COVID-19 诊断中的医学影像学方法,例如深度学习可以在几分钟内无需人工干预准确地区分肺部的损伤。此外,机器学习可以辅助放射科医生做出更精确的临床决策,例如检测和区分不同呼吸系统感染以及在 CT 和 X 射线图像中分割感染,即使损伤的大小和形状不同。该文章批判性评估了在 CT 和 X 射线图像的分割、分类和检测中使用的机器学习方法,这些方法被广泛应用于临床和医院设置中以在各个方面详尽地呈现肺部情况。普遍预期这项技术将继续在医疗保健领域占据核心地位,并推动防疫工作的进一步进展。
Jan, 2024
该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法,同时考虑 X 射线和 CT 扫描图像,使得 COVID-19 检测的测试准确率分别为 84.67%和 98.78%,并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比,为 COVID-19 检测和感染区域定位提供了有前景的结果。
Apr, 2020
研究表明,2020 年针对新冠肺炎的机器学习模型都存在方法学缺陷和 / 或潜在偏差,无法在临床上实际使用。为此,该文提出多项建议以解决这些问题并提高模型开发的质量和文件的可靠性。
Aug, 2020
通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨,研究人员指出,基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎,从而实现对 COVID-19 的早期诊断和预防传播。同时,文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术,以限制 COVID-19 的传播。
Dec, 2020
利用数字化技术获取身体声音进行 COVID-19 的预筛查,结果表明即使是使用简单的二进制机器学习分类器也能够正确分类健康人和 COVID-19 声音,这为进一步研究如何利用自动分析呼吸模式作为 COVID-19 预筛查信号打开了大门。
Jun, 2020
该研究使用深度学习技术建立了一种早期筛查模型,通过分割和分类肺部 CT 图像来区分 COVID-19 肺炎,流感 A 病毒性肺炎和健康情况,并证明其为临床医生提供的一种有效的补充诊断方法。
Feb, 2020
通过深度学习和图像处理,研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性,通过与多个经过预训练的迁移学习模型进行比较,该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。
Oct, 2023
利用全球最大的公开医疗数据库中的呼吸声音,结合经验模式分解和谱分析等方法,训练多个机器学习模型对不同健康状况进行分类诊断,从而大大提高辅助和远程诊断能力。
Sep, 2023