在COVID-19患者中使用DNN与数据标签的DNN进行快速血栓形成预测
Joong-Lyul Lee1, Haitao Zhao2, Mike Tree3
1Department of Software Engineering, Gyeongsang National University, Jinju, 52828, South Korea. joonglyul.lee@gnu.ac.kr.
Scientific reports
|October 1, 2025
概括
这项研究引入了一个深度神经网络模型,用于早期检测COVID-19患者的血液凝固. 人工智能框架使用计算流体动力学数据来预测血栓形成,加速诊断和管理.
科学领域:
- 医学成像和计算生物学
- 医疗保健中的人工智能
背景情况:
- 随着COVID-19的激增,导致血液凝固发生率增加.
- 血栓存在诸如脑出血等风险,需要及早检测.
- 目前的检测方法,如CFD模拟,需要大量的时间.
研究的目的:
- 开发一个框架,以便在COVID-19患者中早期检测血液凝固事件.
- 使用人工智能和计算建模来加快诊断过程.
- 优化机器学习模型以准确预测血栓形成.
主要方法:
- 利用来自计算流体动力学 (CFD) 模拟的特定患者数据.
- 开发并优化了一个深度神经网络 (DNN) 模型.
- 在机器学习算法中执行过度参数调整和比较模拟.
主要成果:
- DNN模型展示了加速预测凝血事件的潜力.
- 确定了最佳数据大小,以实现高预测准确度.
- 该框架将CFD模拟与机器学习相结合,用于增强诊断.
结论:
- 拟议的框架为COVID-19患者早期检测血栓形成提供了一个有希望的方法.
- 将计算建模与人工智能结合起来,可以加速诊断和管理.
- 这有助于对二次并发症及时进行干预.
