通过深度学习进行自动冷却塔检测,用于军团病爆发调查:模型开发和验证研究

科学领域:

• 环境流行病学环境流行病学
• 计算机视觉在公共卫生中的应用
• 传染病监测 传染病监测 传染病监测 传染病监测

背景情况:

• 冷却塔是军团病爆发的重要来源.
• 从航空图像中手动识别冷却塔是耗时的,在调查过程中容易出现错误.

研究的目的:

• 开发和评估一个深度学习计算机视觉模型,用于自动检测空中可见的冷却塔.

主要方法:

• 一个两阶段的深度学习模型 (YOLOv5和EfficientNet-b5) 使用费城和纽约的注释卫星图像进行训练.
• 数据增强包括合成数据和对其他城市的模型辅助标签.
• 在独立测试数据集上使用灵敏度和正预测值 (PPV) 评估模型性能.

主要成果:

• 该模型在最初的测试城市中实现了高灵敏度 (95.1%) 和PPV (90.1%).
• 在未见的城市 (波士顿,雅典) 的表现显示出良好的灵敏度 (86.991.6%) 和PPV (80.885.5%).
• 该模型识别了潜在的冷却塔,速度比流行病学家手动搜索快600倍以上.

结论:

• 深度学习模型可以加快军团病爆发调查和源控制工作.
• 从空中图像中自动识别冷却塔有助于防止疾病传播.
• 该模型正在用于现实世界疫情调查和建立冷却塔登记.