人工智能使COVID-19检测成为可能:技术,挑战和用例

科学领域:

• 医疗保健中的人工智能
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 医疗保健系统越来越多地利用机器学习 (ML) 和深度学习 (DL) 来提高诊断和运营效率.
• COVID-19大流行凸显了全球医疗保健基础设施的压力,以及人工智能支持过度负担的系统的潜力.
• 人工智能技术,特别是ML和DL,显示出适应能力,对于应对流行病等不断变化的公共卫生挑战至关重要.

研究的目的:

• 系统地审查和分析ML和DL模型在COVID-19检测中的应用.
• 评估各种ML和DL方法的优缺点,用于识别COVID-19.
• 提供基于关键绩效指标的不同COVID-19检测技术的比较评估.

主要方法:

• 应用在COVID-19检测中的ML和DL模型的系统文献综述.
• 基于可用性,可用性,准确性和成本的检测方法的比较分析.
• 对不同检测技术的性能进行视觉表示.
• 讨论将人工智能整合到诊断中的挑战和未来研究方向.

主要成果:

• 基于ML和DL的各种COVID-19检测策略的全面概述.
• 对方法进行比较评估,突出优缺点.
• 可视化展示了各种检测技术的性能指标.
• 确定影响人工智能在流行病检测中的实际实施的关键因素.

结论:

• ML和DL模型为COVID-19检测提供了可行的和可适应的工具,为改善医疗保健反应提供了显著的潜力.
• 一个系统的评估框架对于理解不同AI检测方法之间的权衡至关重要.
• 需要进一步的研究来应对实施挑战,并优化AI与现有诊断工作流程的整合.