在血液样本中有效检测SARS-CoV-2的堆叠深度学习方法
Wu Wang1, Fouzi Harrou2, Abdelkader Dairi3
1Center for Applied Statistics and School of Statistics, Renmin University of China, Beijing 100872, China.
Artificial intelligence in medicine
|February 7, 2024
概括
这项研究引入了一种新的堆叠深度学习方法,用于从血液样本中检测COVID-19,比目前的方法提高准确性和速度. 斯塔克马克斯算法在识别受感染个体方面表现出卓越的性能.
科学领域:
- 计算生物学是一种计算生物学.
- 医学诊断 医学诊断 医学诊断
- 机器学习应用程序 机器学习应用程序
背景情况:
- 目前的COVID-19血液测试需要专门的实验室,并且具有显著的假阴性率.
- 及时和准确地检测COVID-19对于患者的管理和结果至关重要.
研究的目的:
- 开发和评估用于血液样本中检测COVID-19的堆叠深度学习方法.
- 与现有方法相比,提高识别感染者的准确性和效率.
主要方法:
- 他们提出了三个堆叠的深度学习架构 (StackMean,StackMax,StackRF).
- 合成少数群体过量采样技术 (SMOTE) 用于解决阶级不平衡问题.
- 使用来自巴西和意大利的血液样本验证了性能.
主要成果:
- 斯塔克马克斯方法显著提高了区分COVID-19阳性病例的能力.
- SMOTE提高了堆叠模型的特异性和灵敏度.
- XGBoost分析确定了用于COVID-19检测的血液样本的关键特征.
结论:
- 拟议的堆叠深度学习方法为从血液样本及时准确识别COVID-19提供了有希望的进步.
- 这种方法有可能克服当前诊断方法的局限性.
