Target specific mining of COVID-19 scholarly articles using one-class approach
IIIT Allahabad(印度信息技术学院阿拉哈巴德分校)
近年来,在冠状病毒引起的疾病领域发表了几篇研究文章,如严重急性呼吸综合征(SARS),中东呼吸综合征(MERS)和COVID-19。在存在大量研究文章的情况下,提取最适合的文章是耗时的并且手动不切实际。本文的目的是使用机器学习方法提取冠状病毒相关研究文章的活动和趋势。COVID-19开放研究数据集(CORD-19)用于实验,而基于领域知识定义了几个目标任务以及解释用于分类。聚类技术被用来创建不同的集群的可用文章,稍后的任务分配是使用并行的一类支持向量机(OCSVMs)。原始和减少功能的实验验证了该方法的性能。很明显,k-均值聚类算法,其次是并行OCSVM,优于其他方法的原始和减少的特征空间。
2020-08-01 cs.IR cs.LG stat.ML
Insight about Detection, Prediction and Weather Impact of Coronavirus (Covid-19) using Neural Network
North South University(北南大学)
由于新型冠状病毒(COVID-19)引起的灾难性大流行,世界正面临严峻形势。受这种病毒影响的人数每天都在成倍增加,人数已经超过640万。由于目前还没有发现疫苗,及早发现病人并进行隔离是减少病毒传播的唯一和最有效的方法。通过使用深度神经网络从胸部X射线检测感染者,可以作为一种省时省力的解决方案。在这项研究中,我们试图通过对Covid-19、肺炎和正常胸部X光片的分类来检测Covid-19。我们使用了五种不同的卷积预训练神经网络模型(VGG 16,VGG 19,Xception,InceptionV 3和Resnet 50),并比较了它们的性能。VGG 16和VGG 19在分类中表现出精确的性能。这两种模型都可以在三种X射线之间进行分类,准确率超过92%。我们研究的另一部分是使用决策树回归来发现天气因素(温度、湿度、日照时数和风速)对这一流行病的影响。我们发现,温度、湿度和日照时数共同对新冠肺炎疫情升级的影响为85.88%,对新冠肺炎死亡的影响为91.89%,其中湿度对死亡的影响为8.09%。我们还尝试使用LogisticRegression基于年龄、性别、国家和地点预测COVID-19导致的个人死亡,该模型可以预测个人死亡,模型准确率为94. 40%。
2021-04-05 cs.CV cs.LG eess.IV
Deep Learning Models for Early Detection and Prediction of the spread of Novel Coronavirus (COVID-19)
Murdoch University(莫道克大学);Harry Butler Institute(哈里·巴特勒研究所)
引起冠状病毒疾病(COVID-19)的SARS-CoV 2正在全球范围内持续传播,并已成为大流行病。由于病毒和缺乏应对措施,人们失去了生命。鉴于病例量的增加和传播的不确定性,迫切需要开发机器学习技术来预测COVID-19的传播。预测传播可允许实施应对措施和行动以减缓COVID-19的传播。在这篇论文中,我们提出了一种深度学习技术,称为深度序列预测模型(DSPM)和基于机器学习的非参数回归模型(NRM)来预测COVID-19的传播。我们提出的模型在2019年新型冠状病毒数据集上进行了训练和测试,该数据集包含1953万例COVID-19确诊病例。用平均绝对误差对模型进行了评价,并与基线法进行了比较。我们的实验结果,定量和定性,表明所提出的模型的优越的预测性能。
2021-02-15 cs.LG stat.ML
Prediction Model for Mortality Analysis of Pregnant Women Affected With COVID-19
Brac University(布拉克大学);Islamic University of Technology(伊斯兰科技大学);Khulna University of Engineering and Technology(库尔纳工程技术大学);University of Toronto(多伦多大学)
COVID-19疫情是一场持续的全球大流行病,对公共卫生部门和全球经济造成了前所未有的破坏。SARS-CoV-2病毒是导致冠状病毒疾病快速传播的原因。由于其传染性,该病毒很容易感染无保护和暴露的个人,从轻微到严重的症状。研究病毒对孕妇和新生儿的影响是全球平民和公共卫生工作者关注的问题,考虑到病毒将如何影响母亲和新生儿的健康。本文旨在开发一个预测模型,根据记录的症状来估计COVID诊断的母亲死亡的可能性:呼吸困难,咳嗽,溢液,关节痛和肺炎的诊断。在我们的研究中使用的机器学习模型有支持向量机,决策树,随机森林,梯度提升,人工神经网络。结果表明,在给定的输入条件下,三种模型(ANN,Gradient Boost,随机森林)的预测准确率均为100%,最高准确率(Gradient Boosting,ANN)为95%,最高召回率(支持向量机)为92.75%,最高f1值(梯度提升,ANN)为94.66%。由于该模型的准确性,孕妇可以根据其因病毒死亡的可能性立即接受治疗。全球的卫生工作者可以利用该模型来列出紧急病人,这最终可以降低新冠肺炎确诊孕妇的死亡率。
2021-11-22 cs.AI cs.LG q-bio.BM
Understanding Human Innate Immune System Dependencies using Graph Neural Networks
Letterkenny Institute of Technology(莱特肯尼理工学院)
自2019冠状病毒病(COVID-19)迅速爆发以来,迄今为止还没有批准的疫苗,人们对了解对病毒的先天免疫反应产生了浓厚的研究兴趣。这种理解可以帮助抑制病毒复制,延长适应性免疫反应,加速病毒清除和组织恢复,这是提出对抗冠状病毒(CoV)疫苗的关键里程碑,例如,新冠肺炎虽然先天免疫系统在识别病毒时触发针对CoV的炎症反应,但是疫苗是防止CoV传播的最终保护。这种疫苗的开发是耗时的,需要对先天免疫反应系统有深入的了解。在这项工作中,我们提出了一个基于图神经网络的模型,该模型利用了模式识别受体(PRR)之间的相互作用,即,人体免疫反应系统这些相互作用可以帮助识别病原体相关分子模式(PAMP),以预测每个PRR的激活要求。每个PRR的免疫应答信息来源于组合其历史PAMP活化与来自其邻域中PRR的对相同PAMP活化的建模效应。一方面,这项工作可以帮助了解Covid-19可以在多长时间内赋予免疫力,强烈的免疫反应意味着已经感染的人可以安全地重返工作岗位。另一方面,这种基于GNN的理解也可以很好地用于疫苗开发工作。我们的建议已经使用CoV免疫反应数据集进行了评估,结果显示平均IFN激活预测准确率为90%,而使用前馈神经网络的准确率为85%。
2021-08-05 cs.LG
Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset
Faculty of Computers and Artificial Intelligence, Cairo University(开罗大学计算机与人工智能学院);MISR Higher Institute for Engineering and Technology(米斯尔高等工程技术学院);Scientific Research Group in Egypt (SRGE)(埃及科学研究团队)
根据世界卫生组织的说法,COVID-19冠状病毒是毁灭性病毒之一。这种新型病毒导致肺炎,这是一种感染,发炎的肺部气囊的人。检测这些炎症的方法之一是使用胸部X射线。在本文中,将提出一种基于生成对抗网络(GAN)的肺炎胸部X射线检测,该网络具有针对有限数据集的微调深度迁移学习。GAN的使用积极地影响了所提出的模型的鲁棒性,使其不受过拟合问题的影响,并有助于从数据集生成更多的图像。本研究中使用的数据集包括5863张X射线图像,分为两类:正常和肺炎。该研究仅使用10%的数据集作为训练数据,并使用GAN生成90%的图像,以证明所提出的模型的效率。通过这篇论文,AlexNet、GoogLeNet、Squeeznet和Resnet 18被选为深度迁移学习模型,用于从胸部X射线中检测肺炎。这些模型是基于其架构上的少量层而选择的,这将反映在降低模型的复杂性以及消耗的内存和时间上。结合GAN模型和深层传输模型,通过测试精度的测量,证明了该方法的有效性。研究得出结论,Resnet 18是根据测试准确率测量的最合适的深度传输模型,并且在使用GAN作为图像增强器时,其他性能指标(如精确度,召回率和F1分数)达到99%。最后,在研究的最后,与使用相同数据集的相关工作进行了比较,除了本研究使用了原始数据集的10%。所提出的工作取得了优于相关工作的测试精度方面的结果。
2020-04-02 cs.CV cs.LG eess.IV
Deep Neural Networks for COVID-19 Detection and Diagnosis using Images and Acoustic-based Techniques: A Recent Review
Zonguldak Bulent Ecevit University(宗古尔达克比伦特埃杰维特大学);Badji Mokhtar Annaba University(安纳巴巴吉莫赫塔尔大学)
新型冠状病毒病(COVID-19)自二零二零年三月起被世界卫生组织宣布为大流行。它包括一种新出现的病毒感染,具有呼吸道嗜性,可发展为非典型肺炎。专家强调了早期发现COVID-19病毒感染者的重要性。这样,病人将与其他人隔离,可以防止病毒的传播。因此,开发早期诊断和检测方法以确保快速治疗过程并防止病毒传播已成为一个感兴趣的领域。由于标准检测系统耗时且不适用于所有人,因此迫切需要替代性早期筛查技术。在这项研究中,全面讨论了近年来流行的基于深度学习(DL)算法的COVID-19检测方法。详细研究了文献中使用的不同方法的优点和缺点。胸部和X射线图像的计算机断层扫描提供了患者肺部的丰富表现,耗时更少,并允许使用DL算法进行有效的病毒性肺炎检测。第一步是对这些图像进行预处理以去除噪声。接下来,使用多种类型的深度模型(预训练模型、生成模型、通用神经网络等)来提取深度特征。最后,使用所获得的特征来执行分类,以确定患者是被冠状病毒感染还是另一种肺部疾病。在这项研究中,我们还简要回顾了咳嗽分析在早期筛查COVID-19方面的最新应用,以及人类活动估计在限制其传播方面的最新应用。
2021-05-01 cs.CV cs.LG cs.SD
Heterogeneous network-based drug repurposing for COVID-19
Xiamen University(厦门大学);Hunan University(湖南大学)
2019年冠状病毒病(COVID-19)属于人类冠状病毒(HCoV),在全球迅速传播。与新药开发相比,药物再利用可能是治疗COVID-19的最佳捷径。因此,我们构建了一个基于HCoV相关靶蛋白的综合异构网络,并使用之前提出的deepDTnet,以发现COVID-19的潜在候选药物。我们在预测对COVID-19相关蛋白有效的可能药物方面获得了高性能。总之,这项工作利用了一种强大的基于异构网络的深度学习方法,这可能有助于快速识别候选可重复利用的药物,用于未来的COVID-19临床试验。代码和数据可在https://github.com/stjin-XMU/HnDR-COVID上获得。
2021-07-20 cs.CY cs.LG
Neuromorphic Spiking Neural Network Based Classification of COVID-19 Spike Sequences
Georgia State University(佐治亚州立大学);Lahore University of Management Sciences(拉合尔管理科学大学)
针对SARS-CoV-2刺突序列分类,提出将刺突蛋白序列转为固定长度数值表示,并用神经形态脉冲神经网络分类,在真实数据上取得更高预测准确率。
2024-12-19 cs.LG cs.NE
A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks
Birla Institute of Technology and Science, Pilani, Dubai Campus(比尔拉技术与科学学院皮拉尼分校迪拜校区)
COVID-19(冠状病毒)是由严重急性呼吸道综合征冠状病毒2(SARS-CoV-2)引起的持续大流行病。该病毒于2019年12月中旬在中国湖北省武汉市首次被发现,目前已蔓延至全球各地,确诊病例超过7550万例,死亡人数超过167万。由于医疗设施中可用的COVID-19检测试剂盒数量有限,因此开发和实施自动检测系统作为可用于商业规模的COVID-19检测的替代诊断选项非常重要。胸部X线是第一种在COVID-19疾病诊断中发挥重要作用的成像技术。计算机视觉和深度学习技术可以帮助通过胸部X射线图像确定COVID-19病毒。由于大规模带注释图像数据集的高可用性,使用卷积神经网络进行图像分析和分类已经取得了巨大成功。在这项研究中,我们提出了一个深度卷积神经网络,它在五个开放获取的数据集上训练,并具有二进制输出:Normal和Covid。将该模型的性能与四个预训练的基于卷积神经网络的模型(COVID-Net,ResNet 18,ResNet和MobileNet-V2)进行比较,可以看出,与其他四个预训练模型相比,所提出的模型在验证集上提供了更好的准确性。这项研究工作提供了有前途的结果,可以进一步即兴发挥和实施的商业规模。
2022-01-24 cs.CV cs.LG eess.IV
COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional Neural Networks
Northwestern University(西北大学)
在研究中,我们开发了一种计算机视觉解决方案,以支持诊断放射学区分COVID-19肺炎,流感病毒肺炎和正常生物标志物。COVID-19肺炎的胸片表现被认为是非特异性的,这对识别卷积神经网络(CNN)的最佳架构提出了挑战,该卷积神经网络将在COVID-19和非COVID-19类型肺炎的肺部炎症特征之间进行高灵敏度分类。Rahman(2021)指出,COVID-19放射成像观察到影响诊断过程和影响深度学习检测模型准确性的不可用性和质量问题。由于COVID-19放射成像图像严重缺乏,导致数据不平衡,促使我们使用过采样技术。在这项研究中,我们包括了一组广泛的人类肺部X射线成像(CXR)与COVID-19肺炎,流感病毒肺炎和正常的生物标志物,以实现可扩展和准确的CNN模型。在研究的实验阶段,我们评估了各种卷积网络架构,选择了具有两个传统卷积层和两个具有最大函数的池化层的顺序卷积网络。在分类性能方面,表现最好的模型验证准确率为93%,F1得分为0.95。我们选择Azure机器学习服务来执行网络实验和解决方案部署。自动缩放计算集群在网络训练中提供了显着的时间减少。我们希望看到人工智能和人类生物学领域的科学家合作并扩展拟议的解决方案,以提供快速和全面的诊断,有效地减轻病毒的传播
2021-12-14 cs.CV cs.LG eess.IV
COVID-19 and Computer Audition: An Overview on What Speech & Sound Analysis Could Contribute in the SARS-CoV-2 Corona Crisis
Imperial College London(伦敦帝国学院);University of Augsburg(奥格斯堡大学);audEERING GmbH(audEERING有限公司);The University of Tokyo(东京大学)
在撰写本报告时,自三个多月前冠状病毒(现正式称为SARS-CoV-2)爆发以来,世界人口正遭受超过10,000例登记的COVID-19疾病流行导致的死亡。自那时以来,全世界作出了巨大努力,以对抗和控制目前被称为大流行病的流行病。在这方面的贡献,我们提供了一个概述的潜力,计算机试听(CA),即,通过人工智能使用语音和声音分析来帮助解决这个问题。我们首先调查哪些类型的相关或上下文显着的现象可以自动评估从语音或声音。这些包括自动识别和监测呼吸,干和湿咳嗽或打喷嚏的声音,寒冷下的言语,饮食行为,嗜睡或疼痛,仅举几例。然后,我们考虑潜在的利用用例。这些包括基于症状直方图及其随时间的发展的风险评估和诊断,以及对传播、社交距离及其影响、治疗和康复以及患者健康的监测。我们快速引导进一步通过挑战,需要面对现实生活中的使用。我们得出的结论是,CA似乎已经准备好实施(预)诊断和监测工具,并且更普遍地提供了丰富和重要的,但迄今为止尚未开发的潜力,以对抗COVID-19的传播。
2020-03-24 cs.CL cs.LG cs.SD