一个适应性的集体深度学习框架,用于可靠地检测流行病患者
Muhammad Shahid Iqbal1, Rizwan Ali Naqvi2, Roohallah Alizadehsani3
1School of Computer Science and Technology, Anhui University, Hefei, China; Department of Computer Science and Information Technology, Women University of Azad Jammu & Kashmir, Bagh, Pakistan.
Computers in biology and medicine
|December 12, 2023
概括
一个新的深度学习模型,Ensemble-DL,使用监控图像准确检测COVID-19患者. 这使软机器人能够进行必要的患者评估,提高医疗保健效率并解决护理人员短缺问题.
科学领域:
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
- 医疗保健技术 技术 医疗保健 技术
背景情况:
- 护士至关重要,但脆弱,面临COVID-19的风险和短缺.
- 机器人解决方案可以通过自动化任务和减轻风险来支持医疗保健.
研究的目的:
- 开发一个深度学习 (DL) 模型来检测COVID-19患者.
- 整合DL患者检测与软机器人功能,用于基本的患者评估.
主要方法:
- 开发了一种新的深度学习模型,即自适应架构的深度合奏 (Ensemble-DL).
- 在32,668张医院图像上评估了对象检测模型 (YOLO,SSD,RCNN,R-FCN).
- 整合了表现最好的DL模型与软机器人进行患者评估.
主要成果:
- 在患者检测方面,Ensemble-DL和Faster-RCNN (Inception ResNet-v2) 显示了最高的准确性.
- 集团DL实现了98.32%的准确性,在精度和回忆方面超过了基线方法.
- 综合系统通过软机器人成功执行了基本的患者评估测试.
结论:
- 拟议的Ensemble-DL模型为嵌入式系统提供了准确和高效的患者检测.
- 基于深度学习的软机器人可以显著提高医疗保健效率和患者护理,特别是在流行病期间.
