ون | كونغ النهاية، جيانغ شانغ باو

إد | جيا وى

واعتبارا من 16 مارس التاج الالتهاب الرئوي الاجمالى الوطنى الجديد من 81078 حالة تم تشخيصها والأجنبية التراكمية تشخيص 85133 حالة من حالات تشخيص فائقة، COVID 19 باء عالمي المنازل الأجانب هو حقيقة لا جدال فيه.

في هذه الحرب دون رصاص، والحرب الخفية الدمار من الحرب المجردة الحرب أكثر إثارة للإعجاب، مثل التاج الالتهاب الرئوي الجديد COVID 19 التمويه قوي، والأطباء في الخطوط الأمامية ساحة المعركة في "واحد" من الصعب والتمييز بدقة بين الأنفلونزا.

انفلونزا الأول وCOVID 19 معدية، يمكن أن يسبب أمراض الجهاز التنفسي. وتشمل أعراض الانفلونزا العادية الحمى والسعال والتهاب الحلق وآلام في الأطراف، والصداع وسيلان الأنف، احتقان الأنف، والتعب، والتقيؤ، والإسهال، والالتهاب الرئوي العهد الجديد، ومعظم الأعراض شيوعا هي الحمى والسعال وضيق في التنفس، و 5 من المرضى الذين يعانون من الحلق تورم ألم، 1-2 من المرضى الذين يعانون من الاسهال والغثيان والقيء.

وبعبارة أخرى، يمكن أن فيروسات الجهاز التنفسي يسبب أعراض مماثلة، مما يجعل من الصعب التمييز COVID-19 و أعراض الانفلونزا في حد ذاته.

يمكنك أن تأتي مساعدة الأطباء معرفة الفرق بين الانفلونزا العادية COVID-19 من وجهة نظر منظمة العفو الدولية؟

علماء الكمبيوتر وتعلم آلة الباحثين من مختلف أنحاء العالم بدءا من مهنته، لتجميع بعض مجموعات البيانات، وبناء خوارزميات منظمة العفو الدولية لتحسين الكشف عن الالتهاب الرئوي.

على سبيل المثال، في علم البيانات منصة المنافسة Kaggle أعلاه، لدينا COVID 19 حالة مجموعة البيانات، يتم تحديث البيانات يوميا، بما في ذلك سن المريض، والإقامة المريض، وعندما تظهر الأعراض، وعندما تتعرض، عندما لدخول المستشفى وهلم جرا.

إنهاء عنوان معين

في مسح CT، أيضا، هناك العشرات من العلماء لاستخراج الصور يمكن استخدامها لتحليل الدراسات المنشورة من هذا المرض، بما في ذلك الأشعة المقطعية وصور الصدر بالأشعة السينية ......

محددة لمستوى خوارزمية التعلم العميق، وهذه الحواسيب هي الباحثين للتمييز بين الإنفلونزا وCOVID 19 بذلت بعض الجهود.

في العديد من الدراسات التالية والباحثين AI والأطباء معا لبناء المهنية نظام التعلم العمق، وتنقسم المنطقة من الرئتين إلى غير طبيعي نمط التنفس المصنف ومن ثم تلقائيا الكشف عن مرض يفعلون الجهود المبذولة لتحسين الكشف COVID 19 دقة.

1، وذلك باستخدام نظام التعلم عمق لفحص COVID-19

(مرض ديب نظام التعلم إلى شاشة الفيروسة المكللة 2019 الالتهاب الرئوي) "2019 باستخدام نظام التعلم عمق لفحص رواية الالتهاب الرئوي التاجى": أطروحة

أوراق تحتوي على وصلة: الشبكي: //arxiv.org/ftp/arxiv/papers/2002/2002.09334.pdf

الكتاب من أول مستشفى تابع لجامعة تشجيانغ، والمستشفى المركزي ونتشو، مستشفى نلينغ الشعب اولا وغيرها من المؤسسات.

الطرق: ويهدف هذا العمل إلى استخدام التكنولوجيا لخلق نماذج التعلم العميق للاستفادة من الفحص المبكر صورة الرئة CT للتمييز COVID-19 مع الالتهاب الرئوي والالتهاب الرئوي والصحة حالات الانفلونزا الفيروسية.

(A) COVID-19 CT في المرضى الذين يعانون من الالتهاب الرئوي (ب) من الانفلونزا والالتهاب الرئوي الفيروس في المرضى CT الشكل (ج) غير المعدية حالات الالتهاب الرئوي خريطة CT

أول استخدام لثلاثة نموذج التعلم العميق من الرئة CT تجزئة صورة تركز على إصابة نطاق مرشح، ثم يتم تقسيم هذه الصور فصلها إلى COVID-19، عدوى الالتهاب الرئوي والأنفلونزا فيروس له علاقة مع مجموعة من المرضى شيئا، و حساب في وقت واحد نتيجة الثقة المقابلة لمنطقة الاهتمام باستخدام نموذج التصنيف. وأخيرا، واستخدام النظرية الافتراضية وظيفة الضوضاء أو وظيفة لحساب نوع من حالات العدوى CT وفي الدرجة الكلية الثقة.

الكتاب جمع ما مجموعه 618 عينات CT، بما في ذلك نموذج CT 219 COVID-19 مريضا، عينة CT 224 المرضى الذين يعانون من الانفلونزا الفيروسية والالتهاب الرئوي CT إلى 175 عينات من الأشخاص الأصحاء.

النتائج: وقد أجريت تجارب على مجموعات البيانات القياسي، تظهر نتائج النموذج الذي CT الفحص على جميع العينات، وصلت دقة 86.7.

دور: هذه الطريقة المقترحة من قبل المؤلفين يمكن مؤتمتة بالكامل فحص COVID-19 حالة من التعلم العميق من خلال التكنولوجيا، واستخدام نموذج إقليمي آليات الإنتباه من قبل الصدر بالأشعة السينية يمكن تحديد أكثر دقة COVID-19 حالة، ودقة تصل إلى 86.7 على توفير الأطباء خط المواجهة التشخيص أدوات واعدة جدا.

2، استنادا إلى البحوث الكمية العمق لمعرفة الالتهاب الرئوي الجديد المكتسبة تاج

أوراق تحتوي على وصلة: الشبكي: //arxiv.org/abs/2003.04655v2

في "صورة COVID 19-CT الدراسة الكمية للعدوى رئوية مع التعلم العميق" ورقة (الرئة العدوى الكمي لCOVID-19 في الصور CT مع ديب التعلم) أطباء في شنغهاي الصحة العامة السريرية للاشعة مشتركة المشتركة شنغهاي الفوتوغرافي قسم الباحثين R & D وكلية جامعة شنغهاي للاتصالات والمعلومات الدكتوراه الهندسة مع التعلم العميق شيدت تجزئة التلقائي ونظام القياس الكمي على أساس عمق التعلم، مستهدفة من قبل اثنين، منطقة مصابة في الصدر CT، والآخر هو الرئة الإدارة ككل.

الأساليب: VB-نت تدريب الشبكة العصبية COVID 19 مصاب منطقة CT صورة مسح تجزئة. ويستخدم هذا النظام يتضمن مجموعة التدريب بيانات 249 مريضا COVID19، ويشمل مجموعة التحقق من صحة 300 مريض COVID19. وبالإضافة إلى ذلك، من أجل تسريع سرعة علامات البيانات، والذي يستخدم حلقة الانسان والآلة (في داخل حلقة الإنسان) طريقة الأمثل لتعليم كل حالة.

ملاحظة: تجهيز البيانات لوحة اللفة هو: معالجة البيانات البشري، والتعلم الآلي للتعليم، واصلت الجهاز سوف تعلم النتائج إلى التدقيق اليدوي، لتحسين دقة.

وعلاوة على ذلك، من أجل تقييم الأداء ونظام DESS معامل التشابه والباحثين احتساب نتائج تجزئة التلقائي وتجزئة اليدوية والنسبة المئوية للفرق حجم بين نتائج العدوى في مجموعة التحقق من الصحة.

النتائج: وينقسم نظام DESS معامل التشابه بين تقسيم اليدوي والآلي إلى 91.6 10.0، ومتوسط النسبة المئوية للإصابة خطأ التنبؤ على مجموعة التحقق من صحة أداء 0.3، وهو ما يعني أن يتطلب عادة 1-5 ساعات مقارنة ب "التقسيم المصطنع للمنطقة برمتها"، بين الانسان والآلة حلقة بعد 3 تحديثات نموذج يمكن "تقسيم" للحد من وقت إلى حوالي 4 دقائق.

3، تاج الالتهاب الرئوي الجديد الكشف التلقائي ومراقبة المرضى الذين يعانون من التعلم العميق

أوراق تحتوي على وصلة: الشبكي: //arxiv.org/abs/2003.05037v1

في ورقة "لCOVID-19 بسرعة AI في دورة التنمية: النتائج الأولية مع تحليل التعلم CT صورة العميق من النتائج الأولية والمريض الرصد تلقائيا الكشف عن" (دورة تطوير AI السريع للالتاجى (COVID-19) الجائحة: النتائج الأولية ل الكشف الآلي والمريض مراقبة استخدام تحليل الصور التعلم CT العميق) في الولايات المتحدة الأمريكية AI شركة التصوير الطبي RADLogics المتحدة تايتشو وكلية الطب ونتشو الأشعة والمستشفى الأمريكي المستشفى جبل سيناء وضعت أدوات تحليل الصور CT مع عمق التلقائي خوارزمية التعلم.

الأساليب: يستخدم عددا من مجموعات البيانات الدولية، مدرجة المناطق المصابة بالمرض الصيني أيضا، حيث يتكون اختبار مجموعة من 157 مريض من الصين والولايات المتحدة. أساس الطريقة المستخدمة غير التقليدية 2D و 3D عمق نموذج التعلم قوي، والجمع بين ذلك مع فهم السريرية أن التعديلات والتعديلات على النموذج.

النتائج: على مجموعات البيانات المريض الصينية، وكانت كل الدراسات الصدر CT AUC النتائج تصنيف مع الحالات التاجى غير التاجى، 0.996، التي كانت خصوصية 92.2، وحساسية 98.2. لتحليل الوقت المرضى التاجى، يمكن إخراج النظام سيكون مبهمة أصغر، مثل الكمية قياس حجم وقطر وغيرها، و"خارطة الحرارة" استنادا إلى شريحة يمكن تصور في غير شفاف كبير.

وباختصار، فإن أداة لديها دقة عالية جدا في الكشف عن المرضى الذين يعانون من فيروس كورونا إيجابيا وكميا عبء الأمراض.

4، غير طبيعي نمط التنفس المصنف باستخدام كتلة فحص المرضى COVID-19

الرسالة: "على غير طبيعي نمط التنفس المصنف يمكن أن تسهم في نطاق واسع من فحص المرضى المصابين COVID-19 ودقيقة والهدوء" (أنماط التنفس غير طبيعي المصنف قد تسهم في نطاق واسع فحص المصابين COVID-19 بطريقة دقيقة وغير مزعجة)

أوراق تحتوي على وصلة: الشبكي: //arxiv.org/abs/2002.05534v1

والمؤلف هو من جامعة شرق الصين للمعلمين، أهم مختبر الذكاء الاصطناعي في جامعة رايرسون وكندا وشنغهاي جيانغ لاي البيانات والتكنولوجيا المحدودة

الأساليب: يستخدم المؤلف كاميرا عمق وعمق تعلم دقيقة، بعد وبالكشف عن أنماط التنفس غير الطبيعي للشخص بصمت. التحديات التي تواجه هذا النهج هي ذات شقين: أولا، كمية البيانات في العالم الحقيقي ليست كافية للحصول على نموذج التدريب عمق، والثاني هو في فئة من أنواع مختلفة من أنماط التنفس تختلف إلى حد كبير، أصغر فئة خارج الاختلاف.

وفقا لخصائص إشارة الجهاز التنفسي الحقيقية لأول مرة المقترح الجديد، اعتبارا من نموذج محاكاة الجهاز التنفسي (RSM)، للحد من الصراع بين كمية كبيرة من البيانات والاحتياجات التدريبية الحقيقية لكمية صغيرة من البيانات. في نفس الوقت، كما أنها تطبق GRU الشبكة العصبية (BI-AT-GRU) مع اتجاهين والالتفات إلى آلية من الأنواع الستة من أنماط التنفس من الأهمية السريرية (التنفس الطبيعي، وضيق في التنفس، والتنفس البطيء، توقف لالتقاط الانفاس، التنفس المد والجزر وتوقف التنفس أثناء المركزي) التصنيف.

BI-AT-GRU نموذج تصنيف نمط التنفس

النتائج: الاختبار هو الحصول على أداء BI-AT-GRU من عمق البيانات الفعلية المقاسة بواسطة الكاميرا، وتشير النتائج إلى أن النموذج يمكن تصنيف ستة أنماط مختلفة في التنفس، ودقة، والدقة، أذكر وF1 النتيجة من 94.5 كانت ، 94.4، 95.1 و 94.8. وفي التجربة المقارنة، والتي تعطي BI-AT-GRU مخصص للنموذج تصنيف نمط التنفس متفوقة على أحدث النماذج المتاحة.

5، التنبؤ بمدى مرضى مصابين بأمراض خطيرة مع Covid استخدام 19 نماذج شديدة تعلم الآلة

الرسالة: "استخدام ثلاثة الخصائص السريرية تتنبأ بمدى صحية حرجة مع شديد Covid 19 المرضى المصابين: بناء على آلة التعلم نموذج النذير يستخدم وهان البيانات السريرية" (التنبؤ الحرجية في المرضى الذين يعانون من عدوى Covid-19 باستخدام ثلاثة المظاهر السريرية: آلة التعلم القائم على نموذج النذير مع البيانات السريرية في ووهان)

أوراق تحتوي على وصلة: الشبكي: //www.medrxiv.org/content/10.1101/2020.02.27.20028027v2

مؤلف من جامعة هواتشونغ للعلوم الذكاء الاصطناعي والأتمتة، كلية علوم الهندسة الميكانيكية و، كلية تونغجى الطبية، مستشفى تونغجى قسم الطوارئ، التخدير، قسم إدارة المعلومات، معهد وشى من جامعة هواتشونغ للعلوم وجامعة ووهان للعلوم المعلومات والهندسة كلية.

الطريقة: فحص 2799 مريض من 202010 يناير - 18 فبراير، مستشفى تونغجى من الملفات الإلكترونية. إجمالي 375 تفريغها المرضى، بما في ذلك 201 مرضى مصابين بأمراض خطيرة. خلقت نموذجا النذير على أساس XGBoost خوارزميات تعلم الآلة، واختبار 29 مريضا بعد أن أكد 19 فبراير (بما في ذلك ثلاثة مرضى من مستشفيات أخرى).

آلة التعلم تدفق خوارزمية الرسم البياني XGBoost

النتائج: وكان متوسط عمر المرضى 37558.83 سنة، وبلغت نسبة الذكور 58.7. الحمى هي أكثر الأعراض الشائعة الأولية (49.9)، تليها السعال (13.9)، والتعب (3.7)، وضيق التنفس (2.1).

300 ملامح نموذج من تعدد حمامات تحديد المظاهر السريرية الرئيسية الثلاثة، أي اللاكتات نازعة (من LDH)، وحساسية الخلايا اللمفاوية بروتين سي التفاعلي (HS-CRP). هذا سبيل الرعاية من السهل جدا للتحقق، يمكن أن بدقة وبسرعة تقييم خطر الموت. وبالتالي، فإن هذا النهج له أهمية طبية هامة.

دور: ويستند هذا على ثلاثة مؤشرات نموذج التنبؤ التكهن خلق، يمكننا التنبؤ خطر الموت، وإلى أن نكون قادرين على تقديم تعريف من الحالات الحرجة من الحالات الشديدة من سبيل الرعاية. هذا النموذج يتيح للأطباء الكشف المبكر وأوائل مرضى التدخل، وبالتالي الحد من فعالية وفيات.

تحميل مجموعات البيانات الجزئية:

https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset

https://github.com/ieee8023/covid-chestxray-dataset/blob/master/README.md؟fbclid=IwAR30yTGBr55WXdCngCoICDENHycmdL2bGwlvl1ckdZM-ucjGH10Uakz7khk