深度学习模型与急性性的社区监测相结合

科学领域:

• 人工智能在公共卫生中的作用
• 深度学习用于疾病监测和监测.
• 在流行病学中的图像识别.

背景情况:

• 急性软性 (AFP) 病例监测对于早期发现脊髓灰质炎病毒至关重要,特别是在埃塞俄比亚等流行地区.
• 埃塞俄比亚现有的基于社区的监控系统面临着延迟检测和通信的挑战.
• 需要创新的,可扩展的解决方案,以加强在低资源环境中的AFP监控.

研究的目的:

• 为AFP监控提出和评估一种深度学习模型,使用移动手机捕获图像上的转移学习.
• 评估模型的性能与传统的深度学习方法和从头开始训练的视觉转换器相比.
• 展示一个可扩展的AI驱动的方法,以改善基于社区的疾病监测.

主要方法:

• 实现在ImageNet上预训练的视觉转换器模型,用于转移学习.
• 利用从埃塞俄比亚社区的关键信息人那里通过手机收集的图像.
• 与卷积神经网络 (CNN) 模型和非预训练视觉转换器进行比较分析.

主要成果:

• 拟议的转移学习模型实现了卓越的性能指标,包括准确性,F1分数,精度,回忆和AUC.
• 该模型显示最高的平均AUC为0.870±0.01,在统计学上表现优于其他方法 (P<0.001).
• 人工智能模型有效地将社区报告与卫生系统响应联系起来,以加强监测.

结论:

• 深度学习与转移学习提供了一种强大且可扩展的工具,用于在低资源环境中使用移动捕获图像来改进AFP监视.
• 该研究强调了人工智能在加强全球卫生倡议和疾病根除战略方面的潜力.
• 未来的工作重点应该是改善图像数据质量,建立数据管理和持续学习的专用平台.