基于CNN-BiLSTM算法的COVID-19 IgG抗体检测,与光纤数据集相结合
Mohammed Jawad Ahmed Alathari1, Yousif Al Mashhadany2, Ahmad Ashrif A Bakar1
1UKM - Department of Electrical, Electronic and Systems Engineering, Faculty of Engineering and Built Environment, Universiti Kebangsaan Malaysia, UKM, Bangi 43600, Malaysia.
Journal of virological methods
|August 18, 2024
概括
这项研究引入了一种混合深度学习模型,将CNN和Bi-LSTM结合起来,使用IgG抗体数据进行COVID-19检测. CNN-BiLSTM模型实现了高精度,显示了自动化COVID-19查的前景.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 由于COVID-19的流行,需要快速准确的诊断工具.
- 自动查方法对于有效检测疾病至关重要.
- 当前的诊断方法需要提高速度和准确性.
研究的目的:
- 开发和评估用于COVID-19检测的混合深度学习模型.
- 评估卷积神经网络 (CNN) 和双向长期短期记忆 (Bi-LSTM) 网络的性能.
- 利用光纤数据与SARS-CoV-2免疫球蛋白G (IgG) 抗体进行增强的诊断.
主要方法:
- 为COVID-19分类开发了一种混合CNN-BiLSTM模型.
- 评估了四个深度学习算法 (CNN,CNN-RNN,BiLSTM,CNN-BiLSTM) 的使用情况.
- 光纤数据和SARS-CoV-2 IgG抗体信息被整合到模型中.
- 实施了一个全面的数据预处理管道.
主要成果:
- 在评估的算法中,CNN-BiLSTM模型表现出了卓越的性能.
- 实现了89%的准确性,88%的回忆,90%的精度和89%的F1得分.
- 在培训数据集中,特异性达到90%,G-平均值为89%,ROC为96%.
结论:
- 拟议的CNN-BiLSTM模型显示了准确的COVID-19分类的巨大潜力.
- 整合IgG抗体可以提高诊断的特异性和准确性.
- 这种混合型号可以成为医疗保健专业人员有价值的自动查工具.
