通过深度学习,强化学习和差异进化算法的混合组合,推进生物医疗废物分类
Surajet Khonjun1, Rapeepan Pitakaso1, Thanatkij Srichok1
1Artificial Intelligence Optimization SMART Laboratory, Industrial Engineering Department, Faculty of Engineering, Ubon Ratchathani University, Ubon Ratchathani 34190, Thailand.
Waste management (New York, N.Y.)
|October 28, 2025
概括
本研究介绍了BioSorter,这是一种用于分类制药和生物医疗废物的AI模型. 它显著提高了传染性废物管理的准确性和效率,降低了成本并提高了医疗保健的可持续性.
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
- 废物管理技术 废物管理技术
背景情况:
- 制药和生物医疗废物管理带来了重大挑战,特别是对于传染性材料.
- 安全和经济有效的处置方法对于医疗保健的可持续性至关重要.
- 当前的废物分类方法可能缺乏必要的准确性和效率.
研究的目的:
- 为制药和生物医疗废物开发一种新的分类模型.
- 创建一个自动化系统",Biosorter",用于区分传染性和非传染性废物.
- 提高医疗废物管理的准确性,效率和可用性.
主要方法:
- 一个双重异质整体模型,集成深度学习,强化学习和差异进化算法.
- 使用图像增强,集体图像细分 (U-Net,Mask R-CNN,DeepLab V3+),以及集体卷积神经网络 (CNN) 架构 (Inception V3,ResNet50,MobileNetV2,DenseNet121) 的功能.
- 集成的决策融合技术与强化学习和分类差异演变.
主要成果:
- 与现有的深度学习架构相比,BioSorter模型在专有数据集和基准数据集上表现出卓越的性能,精度提高了5.35%和9.05%.
- 现实世界的部署显示了98%的分类精度和50%的处理吞吐量增加.
- 获得了高的系统可用性量表 (SUS) 评分93.5,表明用户感知到的卓越效率和简单性.
结论:
- 开发的BioSorter在制药和生物医疗废物管理方面取得了重大进展.
- 该模型有可能大幅降低医疗保健环境中的处置成本.
- 这项技术可以提高医疗废物处理的整体可持续性和安全性.
