本文提出了一种多模式方法,通过结合现有的卷积神经网络深度学习分类器和一个新的考虑每种症状流行度的概率加权函数,以预测 COVID-19。实验结果表明,在考虑加权函数时,相比于等权重函数,我们的方法显著提高了 COVID-19 的检测效果。
Sep, 2021
本研究开发了机器学习模型,利用自我报告的症状估计 COVID-19 的患病率,并通过在线平台采集的众包数据展示了这些模型可以在成本效益高的情况下补充现有的流行病学监测基础设施。
May, 2021
利用三阶段数据驱动方法,通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型,揭示了病毒症状之间的关系,并为减轻病毒严重程度提供了见解。
Jun, 2024
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
本研究旨在使用自分类分类器,结合各种人工智能方法,通过血液检测样本和放射学图像将 COVID-19 患者与其他人区分开。提出的模型在数据集上实现了 94.09%的准确率,并在更短时间内提供结果。此外,还将放射学图像分为四类,并通过提取肺叶并进行分类来实现了 91.1%的准确率。总的来说,本研究强调了人工智能在 COVID-19 的检测和管理中的潜力,并强调了在该领域继续进行研究和发展的重要性。
Apr, 2024
COVID-19 研究,利用人工智能和机器学习算法进行快速和准确的诊断以及通过临床数据对患者的预后进行预测。同时,调查了临床和 RT-PCR 对预测病患康复和死亡的影响,并发现机器学习在预测康复和死亡方面是可行的。
Nov, 2023
使用机器学习技术,采用抗干扰训练方法,利用基础的临床数据,开发了两个能较好地预测患者 COVID-19 状态的连续神经网络模型,并提高了模型隐私保护能力,可有效减少医疗信息泄漏。
Jan, 2022
本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征,包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别,前者在 COVID-19 相关问题的多样性方面具有更大的多样性,后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。
Jul, 2020
本研究为 Constraint 2021 年 COVID-19 虚假新闻检测共享任务做出了贡献,提出了将经典机器学习算法与语言学特征相结合的方法,在数据预处理方面进行了多种尝试并得到了不错的结果。通过使用线性支持向量机算法,在测试数据上获得了 95.19% 的加权平均 F1 得分,名列排行榜第 80 位。
Jan, 2021