从使用卷积神经网络的血液参数来诊断COVID-19

科学领域:

• 医学诊断 医学诊断 医学诊断
• 人工智能在医学中的应用
• 生物信息学是一种生物信息学.

背景情况:

• 无症状的COVID-19病例和病毒基因组变异使疾病的检测和控制复杂化.
• 快速和易于使用的诊断方法对于管理COVID-19流行病至关重要.
• 血液参数为传染病评估提供了有价值,易于获得的临床信息.

研究的目的:

• 利用随时可用的血液参数开发一种有效和可访问的COVID-19检测模型.
• 探索卷积神经网络 (CNN) 的应用,用于分析转换为图像格式的血液数据,用于疾病检测.
• 通过将一维血液数据转换为二维图像来研究一种新的COVID-19诊断方法.

主要方法:

• 一维 (1D) 血液参数被预处理并转换为二维 (2D) 图像数据.
• 使用t-分布式随机邻居嵌入 (t-SNE) 来将特征向量投射到二维平面上.
• 凸起的船体和最小边界矩形算法将数据框架成图像,然后由3行CNN架构处理.

主要成果:

• 开发的CNN模型使用从1D血液参数获得的2D图像数据成功检测到COVID-19.
• 该模型实现了94.85%的高检测成功率.
• 这种方法为传统的成像技术提供了有希望的替代方案,例如胸部X射线或CT扫描用于COVID-19检测.

结论:

• 该研究通过将低成本的血液参数与基于CNN的图像处理集成,为COVID-19检测提供了一个有效和成功的模型.
• 这种新的方法通过以图像为基础的格式利用血液数据,为COVID-19诊断提供了新的视角.
• 这些发现强调了使用可访问的血液参数和先进的AI技术来有效和准确地检测传染病的潜力.