Property Classification of Vacation Rental Properties during Covid-19
Leeds Institute for Data Analytics(利兹数据分析研究所);Consumer Data Research Center(消费者数据研究中心);University of Leeds(利兹大学)
本研究利用K-means和K-medoids聚类技术对Covid期间超过一百万个度假租赁房产进行分类,识别同质群体及其特征,以支持制定针对性的聚类政策。
2025-10-09 cs.LG
ViDi: Descriptive Visual Data Clustering as Radiologist Assistant in COVID-19 Streamline Diagnostic
Eindhoven University of Technology(埃因霍温理工大学)
鉴于COVID-19大流行,深度学习方法在从胸部X光检测COVID-19方面得到了广泛的研究。然而,将人工智能方法应用于医疗诊断的一种更务实的方法是设计一个促进人机交互和专家决策的框架。研究表明,分类可以在加速现实世界的决策过程中发挥重要作用。受描述性文档聚类的启发,我们提出了一个独立于领域的解释性聚类框架来对上下文相关的实例进行分组,并支持放射科医生的决策。虽然大多数描述性聚类方法采用特定领域的特征来形成有意义的聚类,但我们专注于模型级解释,将其作为每个学习过程中更通用的元素,以实现聚类同质性。我们采用DeepSHAP来生成疾病严重程度方面的同质聚类,并使用有利和不利的显着性图来描述聚类,显着性图可视化图像的类别区分区域。这些人类可解释的地图补充了放射科医生的知识,以便立即调查整个集群。此外,作为本研究的一部分,我们评估了一个基于VGG-19的模型,该模型可以识别COVID和肺炎病例,阳性预测值分别为95%和97%,与最近可解释的COVID诊断方法相当。
2020-11-30 cs.CV cs.LG eess.IV
A Comparative Study on Transfer Learning and Distance Metrics in Semantic Clustering over the COVID-19 Tweets
Islamic Azad University(伊斯兰阿扎德大学);Iran University of Science and Technology(伊朗科技大学)
本文是在COVID-19数据的主题检测背景下的比较研究。话题检测的方法有很多种,本文选择了聚类方法。聚类需要距离,计算距离需要嵌入。本研究的目的是同时研究嵌入方法、距离度量和聚类方法三个因素及其相互作用。这项研究使用了一个数据集,其中包括一个月内收集的带有COVID-19相关标签的推文。在嵌入方法中,从早期的方法到新的方法,选择了五种方法:Word2Vec,fastText,GloVe,BERT和T5。本文研究了五种聚类方法:k-means,DBSCAN,OPTICS,光谱和Jarvis-Patrick。欧几里德距离和余弦距离作为最重要的距离度量在这一领域也进行了检查。首先,进行7,500多次测试来调整参数。然后,所有不同的嵌入方法与距离度量和聚类方法的组合进行了研究的轮廓度量。这些组合的数量为50例。首先,检查这50个测试的结果。然后,在该方法的所有测试中考虑每个方法的等级。最后,对本研究的主要变量(嵌入方法、距离度量和聚类方法)分别进行了研究。对控制变量进行平均以中和它们的影响。实验结果表明,T5在轮廓度量方面明显优于其他嵌入方法。在距离度量方面,余弦距离略好。DBSCAN在聚类方法方面也优于其他方法。
2021-11-16 cs.CL cs.LG
A clustering and graph deep learning-based framework for COVID-19 drug repurposing
UNSW Sydney(悉尼新南威尔士大学);Birla Institute of Technology and Science Pilani(皮拉尼比尔拉理工学院)
本研究提出一种基于图自编码器的无监督机器学习框架,对438种药物进行多特征聚类,为COVID-19药物重定位推荐了15种潜力药物,并可通过实验验证其疗效。
2023-06-24 cs.AI cs.LG
Automated clustering of COVID-19 anti-vaccine discourse on Twitter
Australian National University(澳大利亚国立大学);University of Melbourne(墨尔本大学);Macquarie University(麦考瑞大学)
对疫苗接种的态度变得更加两极分化;在网上看到疫苗虚假信息和边缘阴谋论是很常见的。Ojea Quintana et al.(2021)对Twitter疫苗话语进行了观察性研究:作者分析了大约六个月的Twitter话语-2019年12月至2020年6月期间的130万条原始推文和1800万条转发,范围从新冠肺炎大流行之前到之后。这项工作扩展了Ojea Quintana et al.(2021)的数据科学的两个主要贡献。首先,基于作者最初的网络聚类和定性分析技术,我们能够清楚地划分和可视化话语中使用的语言模式,由反疫苗接种运动者(反疫苗接种运动者和疫苗否认者)与其他集群(统称,其他人)。其次,利用Antivaxxers的推文的特点,我们开发了文本分类器来确定给定用户使用反疫苗接种语言的可能性,最终有助于建立一个早期预警机制,以改善我们的认知环境的健康状况,并支持(而不是阻碍)公共卫生举措。
2022-03-03 cs.CY cs.LG cs.SI
Intelligent computational model for the classification of Covid-19 with chest radiography compared to other respiratory diseases
University of São Paulo(圣保罗大学)
如果使用统计和计算方法处理肺部X射线图像,可以区分肺炎和COVID-19。目前的工作表明,有可能提取肺部X射线特征,以改进检查和诊断疑似COVID-19患者的方法,将其与疟疾,登革热,H1N1,结核病和肺炎链球菌区分开来。更准确地说,开发了一种智能计算模型来处理肺部X射线图像,并对图像是否为COVID-19患者进行分类。对图像进行处理并提取特征。这些特征是无监督统计学习方法PCA和聚类的输入数据,该方法可以识别新冠肺炎X射线图像的特定属性。统计模型的引入允许快速算法,该算法使用与贝叶斯信息准则(CIB)相关的X均值聚类方法。所开发的算法有效地区分每种肺部病变的X射线图像。该方法具有良好的灵敏度。COVID-19的平均识别准确率为0. 93及0. 051。
2021-08-12 cs.LG eess.IV
Temporal Clustering of Disorder Events During the COVID-19 Pandemic
University of Trento(特伦托大学);University of California, Los Angeles(加州大学洛杉矶分校);California State University at Northridge(加州州立大学北岭分校)
COVID-19大流行引发了多重公共卫生、社会经济和制度危机。为减缓病毒传播而采取的措施在当局和公民之间造成了严重的紧张关系,导致了一波又一波的社会动荡和反政府示威。我们研究了“COVID-19疾病追踪”计划所记录的大流行相关疾病事件的时间性质,重点关注事件数量最多的三个国家,印度,以色列和墨西哥。通过对数据流的泊松过程和霍克斯过程的拟合,我们发现,在这三个国家的无序事件是相互依赖和自激的。地理聚类证实了这些功能在国家以下一级,表明全国范围内的混乱出现的自我激励的中尺度模式的收敛。在计算国家以下各级群组之间事件的相关性时,观察到各国之间存在相当大的差异;这些差异是在具体的政治、社会和地理特征背景下讨论的。以色列是领土最紧凑的国家,也是为应对政府封锁而协调大规模抗议活动的国家,在事件发生后表现出最大的反应和最短的影响力,以及最强的全国同步性。在墨西哥,完全封锁命令从未被强制执行,反应性和全国同步性最低。我们的工作突出表明,当局需要促进地方宣传运动,以确保生计和病毒遏制政策不被视为相互排斥的。
2021-04-23 cs.LG econ.GN physics.soc-ph
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
Evaluating COVID-19 Sequence Data Using Nearest-Neighbors Based Network Model
Georgia State University(佐治亚州立大学)
SARS-CoV-2冠状病毒是导致人类COVID-19疾病的原因。像许多冠状病毒一样,它可以适应不同的宿主,进化成不同的谱系。众所周知,SARS-CoV-2主要谱系的特征在于主要发生在刺突蛋白中的突变。了解刺突蛋白的结构以及它是如何被干扰的,对于理解和确定一个谱系是否值得关注至关重要。这些对于识别和控制当前疫情以及预防未来大流行至关重要。考虑到大量可用的测序数据,其中大部分是未比对的,甚至是未组装的,机器学习(ML)方法是这一努力的可行解决方案。然而,这样的ML方法需要欧几里得空间中的固定长度的数值特征向量才是适用的。类似地,在处理生物序列的分类和聚类任务时,欧几里得空间也不被认为是最佳选择。为此,我们设计了一种方法,将蛋白质(穗)序列转化为序列相似性网络(SSN)。然后,我们可以使用SSN作为图挖掘领域的经典算法的输入,用于分类和聚类等典型任务,以理解数据。我们表明,所提出的无障碍方法是能够优于目前的SOTA方法的聚类结果。同样,与其他基线嵌入方法相比,我们能够使用众所周知的基于Node 2 Vec的嵌入实现更高的分类准确性。
2022-11-22 cs.LG q-bio.BM
Clustering of countries based on the associated social contact patterns in epidemiological modelling
数学模型已用于了解2019冠状病毒病(COVID-19)等传染病的传播模式。模型的传播部分可以通过引入人口接触矩阵以年龄依赖的方式建模,该矩阵描述了年龄组之间的接触率。由于社会联系模式因国家而异,我们可以使用相应的联系矩阵对国家进行比较和分组。在本文中,我们提出了一个框架,聚类国家的接触矩阵的基础上,一个潜在的流行病模型。由于管道是通用和模块化的,我们展示了它在Röst et.该研究提示了在大流行情况下,当只能采取非药物干预措施时,哪些国家可以进行比较。
2022-11-08 cs.LG physics.soc-ph q-bio.PE
Predicting COVID-19 cases using Bidirectional LSTM on multivariate time series
College of Engineering(工程学院)
背景资料:为协助政策制定者采取适当决策以阻止COVID-19大流行的传播,准确预测疾病传播至关重要。材料与方法:本文提出了一种深度学习方法,使用双向长短期记忆(Bi-LSTM)网络预测COVID-19病例的累积数量,该网络应用于多变量时间序列。与其他预测技术不同,我们提出的方法首先使用K-Means聚类算法对具有相似人口和社会经济方面以及卫生部门指标的国家进行分组。每个集群国家的累积病例数据(其中包含与封锁措施相关的数据)被馈送到双向LSTM,以训练预测模型。结果:我们通过研究卡塔尔的疾病暴发,验证了所提出的方法的有效性。定量评估,使用多个评估指标,表明所提出的技术优于国家的最先进的预测方法。结论:除了封锁措施外,还使用多个国家的数据,提高了对每日累计COVID-19病例预测的准确性。
2020-09-10 cs.LG cs.SI
Bayesian Networks and Machine Learning for COVID-19 Severity Explanation and Demographic Symptom Classification
Illinois Institute of Technology(伊利诺伊理工学院)
针对COVID-19传播与重症相关的不确定性,研究提出结合贝叶斯网络与机器学习的三阶段方法,在CDC数据集上实现99.99%的测试准确率,助力理解症状关联与患者分层。
2024-06-18 cs.AI cs.LG stat.AP
U-GAT: Multimodal Graph Attention Network for COVID-19 Outcome Prediction
Technical University of Munich(慕尼黑工业大学);Johns Hopkins University(约翰斯·霍普金斯大学)
在COVID-19第一波疫情期间,医院因大量入院患者而不堪重负。准确预测最有可能的个体疾病进展可以改善有限资源的规划,并为患者找到最佳治疗方案。然而,在应对新出现的疾病(如COVID-19)时,患者和疾病特异性因素(如体重或已知的合并症)对疾病的直接病程的影响基本上是未知的。在COVID-19的情况下,肺炎患者是否需要进入重症监护室(ICU)通常仅取决于生命体征(例如呼吸频率,血氧水平)等急性指标,而整合所有可用数据的统计分析和决策支持系统可以实现更早的预后。为此,我们提出了一个整体的基于图形的方法结合成像和非成像信息。具体来说,我们引入了多模态相似性度量来构建用于聚类患者的人群图,以及基于图像的端到端Graph Attention Network来处理该图并预测COVID-19患者的结果:入住ICU,需要通气和死亡率。此外,网络分割胸部CT图像作为辅助任务,并提取图像特征和放射组学与可用的元数据进行特征融合。在德国慕尼黑的Klinikum rechts der Isar收集的数据集上的结果表明,我们的方法优于单一模态和非图形基线。此外,我们的聚类和图形注意力可以增加对人群图中患者关系的理解,并提供对网络决策过程的洞察。
2021-07-29 cs.CV cs.LG eess.IV
Predicting special care during the COVID-19 pandemic: A machine learning approach
Universidade Estadual de Campinas(坎皮纳斯州立大学)
COVID-19给世界各地的卫生系统带来了前所未有的压力,尤其是在巴西。在这项研究中,我们提出了一种基于统计学和机器学习的分析方法,该方法使用来自患者的实验室检查数据来预测患者是否需要特殊护理(在常规或特殊护理单位住院)。我们还预测了患者接受此类护理的天数。开发的两步程序使用贝叶斯优化来选择几个候选模型中的最佳模型,使我们最终的模型对于第一个目标达到0.94的ROC曲线下面积,对于第二个目标达到1.87的均方根误差(比平均基线改善77%),使我们的模型可以部署为一个决策系统,可以提供给每个感兴趣的人。该分析方法可用于其他疾病的分析,并可为医院容量规划提供帮助。
2020-11-06 cs.CY cs.LG
COVID-19 Multidimensional Kaggle Literature Organization
UMBC(马里兰大学巴尔的摩县分校);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
前所未有的严重急性呼吸道综合征冠状病毒2型(SARS-CoV-2)或COVID-19的爆发仍然是一个重大的全球性问题。因此,新的COVID-19相关研究也随之激增。出版物数量的不断增加要求采用文件组织方法来确定相关信息。在本文中,我们扩展了之前的工作,通过应用多维分析方法对CORD-19数据集进行聚类。张量分解是一种强大的无监督学习方法,能够发现文档语料库中隐藏的模式。我们发现,高阶表示的语料库允许同时分组相似的文章,相关期刊,作者有相似的研究兴趣,和主题关键字。这些分组是通过张量分解提取的潜在成分内和之间的识别。我们进一步展示了这种方法的应用程序与公开可用的交互式可视化的数据集。
2021-07-20 cs.DL cs.LG
Time Series Clustering for Grouping Products Based on Price and Sales Patterns
Ryerson University(瑞尔森大学);Getir Perakende Lojistik A.S.(Getir零售物流公司)
技术的发展和生活方式的改变使在线杂货配送应用成为城市生活中不可或缺的一部分。自COVID-19疫情开始以来,对此类应用程序的需求急剧增加,产生了扰乱市场的新竞争对手。竞争的加剧可能会促使公司经常调整其营销和产品定价战略。因此,识别产品价格和销售量的变化模式将为公司在市场上提供竞争优势。在本文中,我们研究了替代聚类方法的价格模式和销售量的基础上分组的产品。我们提出了一种新的距离度量,考虑到产品价格和销售如何一起移动,而不是使用数值计算距离。我们将我们的方法与传统的聚类算法进行比较,传统的聚类算法通常依赖于通用的距离度量,如欧几里得距离,以及旨在通过捕获其视觉模式来分组数据的图像聚类方法。我们使用我们的自定义评估指标以及Calinski Harabasz和Davies Bouldin指数,这是常用的内部有效性指标,不同的聚类算法的性能进行评估。我们使用来自在线食品和杂货配送公司的适当价格数据集以及公开可用的Favorita销售数据集进行数值研究。我们发现,我们提出的聚类方法和图像聚类都表现良好,在大型数据集中找到具有相似价格和销售模式的产品。
2022-04-18 cs.LG
Navigating the landscape of COVID-19 research through literature analysis: A bird's eye view
National Center for Biotechnology Information (NCBI), NLM, NIH(美国国立医学图书馆国家生物技术信息中心(美国国立卫生研究院))
在与持续的COVID-19大流行的斗争中,及时获得准确的科学文献至关重要。这一前所未有的公共卫生风险促使研究人员对这种疾病进行全面了解,确定治疗这种疾病的药物,开发潜在的疫苗等,这导致了文献的快速增长,截至2020年5月,出版物的数量每20天翻一番。为医学专业人员提供快速分析文献和发现不断增长的知识领域的方法,对于解决他们的问题和信息需求是必要的。在这项研究中,我们分析了LitCovid集合,截至2020年5月15日在PubMed中发现的13,369篇COVID-19相关文章,目的是检查文献的景观,并以便于信息导航和理解的格式呈现。我们通过应用最先进的命名实体识别、分类、聚类和其他NLP技术来实现这一点。通过应用NER工具,我们捕获相关的生物实体(如疾病,体内器官等)。并通过语料库中对它们的讨论程度来评估它们与COVID-19的关系强度。我们还收集了关于COVID-19的各种症状和合并症。我们的聚类算法识别相关术语组所代表的主题,并计算与主题术语相关联的文档对应的聚类。在这些主题中,我们观察到几个持续了几个星期,并有许多相关的文件,以及几个出现作为新的主题与较少的文件。所有的工具和数据都是公开的,这个框架可以应用于任何文献收藏。总之,这些分析产生了一个全面的,综合的COVID-19研究的观点,以促进从文献中发现知识。
2020-09-11 cs.DB cs.DL cs.IR
Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Microsoft Research, China(微软亚洲研究院)
自1月21日美国发现首例冠状病毒病例以来,美国已有超过100万人确诊COVID-19病例。这种传染性呼吸道疾病已在美国3000多个县和50个州迅速蔓延,并表现出进化集群和复杂的触发模式。必须了解这种疾病的复杂时空交织传播,以便进行准确的预测或明智的外部干预。在本文中,我们将COVID-19的传播建模为时空点过程,并提出了一个生成和强度无关的模型来跟踪疾病的传播。我们进一步采用生成式对抗模仿学习框架来学习模型参数。与传统的基于似然的学习方法相比,该模仿学习框架不需要预先指定强度函数,从而避免了模型误指定。此外,对抗性学习过程绕过了可能性评估中涉及的难以评估的积分,这使得模型推理对数据和变量更具可扩展性。我们展示了美国COVID-19确诊病例的动态学习性能,并基于学习的生成模型评估了社交距离政策。
2021-06-24 cs.LG stat.ML
CT Image Segmentation for Inflamed and Fibrotic Lungs Using a Multi-Resolution Convolutional Neural Network
University of Iowa(爱荷华大学);Boston University(波士顿大学);University of Pennsylvania(宾夕法尼亚大学);University of Milano-Bicocca(米兰比可卡大学);San Gerardo Hospital(圣杰拉多医院)
本研究的目的是开发一种全自动分割算法,对各种密度增强的肺部异常具有鲁棒性,以便于计算机断层扫描图像的快速定量分析。提出了一种多态训练方法,其中将COPD患者的特异性标记的左肺和右肺以及急性肺损伤动物的非特异性标记的肺都纳入到训练单个神经网络中。由此产生的网络旨在预测有或没有弥漫性浑浊和实变的人类左肺和右肺区域。在患有COPD、确诊的COVID-19、肺癌和IPF的受试者的CT扫描上广泛评估了所提出的肺分割算法的性能,尽管没有后三种疾病的标记训练数据。使用左肺和右肺分割作为LobeNet算法的输入来获得肺叶分割。使用分层聚类进行区域叶分析,以识别COVID-19的放射学亚型。在87幅COVID-19 CT图像中使用半自动和手动校正分割对所提出的肺部分割算法进行了定量评估,实现了平均对称表面距离$0.495 \pm 0.309$ mm和Dice系数$0.985 \pm 0.011$。基于实变和通气不良组织的肺叶分数,分层聚类确定了COVID-19的四种放射学表型。左下叶和右下叶始终更容易受到通气和固结不良的影响。然而,最严重的病例显示所有肺叶受累。多态训练方法能够准确地分割具有弥漫性实变的COVID-19病例,而不需要COVID-19病例进行训练。
2021-01-14 cs.CV cs.LG eess.IV
A machine learning methodology for real-time forecasting of the 2019-2020 COVID-19 outbreak using Internet searches, news alerts, and estimates from mechanistic models
Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院);Tecnológico de Monterrey(蒙特雷理工学院);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);Northeastern University(东北大学);ISI Foundation(ISI基金会)
我们提出了一种及时而新颖的方法,通过可解释的机器学习方法,将来自机械模型的疾病估计与数字痕迹相结合,以实时可靠地预测中国各省的COVID-19活动。具体来说,我们的方法能够产生稳定和准确的预测2天前的当前时间,并作为输入(a)从中国疾病预防控制中心的官方健康报告(中国疾病预防控制中心),(b)百度的COVID-19相关互联网搜索活动,(c)Media Cloud报告的新闻媒体活动,以及(d)GLEAM对COVID-19活动的每日预测,一种基于代理的机械模型。我们的机器学习方法使用聚类技术,可以利用中国各省COVID-19活动的地理空间同步性,并使用数据增强技术来处理少量的历史疾病活动观察结果,这是新爆发的特征。我们的模型在中国32个省份中的27个省份的预测能力优于一系列基准模型,并且可以轻松扩展到目前受COVID-19疫情影响的其他地区,以帮助决策者。
2020-04-08 cs.LG q-bio.PE stat.ML
Unsupervised machine learning framework for discriminating major variants of concern during COVID-19
UNSW Sydney(悉尼新南威尔士大学);Commonwealth Scientific and Industrial Research Organisation(澳大利亚联邦科学与工业研究组织);Birla Institute of Technology and Science Pilani(比尔拉理工学院皮拉尼校区);Data 61, CSIRO(澳大利亚联邦科学与工业研究组织数据61所);Indian Institute of Technology Guwathi(印度理工学院古瓦哈蒂分校);University of York(约克大学)
本文提出一个基于 k-mer 分析、PCA、t-SNE、UMAP 和凝聚层次聚类的无监督机器学习框架,用于根据基因组序列区分 COVID-19 主要关切变异株并可视化其突变差异。
2023-05-25 cs.LG q-bio.OT stat.ML
Hospital transfer risk prediction for COVID-19 patients from a medicalized hotel based on Diffusion GraphSAGE
Institute of Hospital and Health Care Administration(医院与健康照护管理研究所);National Yang Ming Chiao Tung University(国立阳明交通大学);Far Eastern Memorial Hospital(远东纪念医院)
全球COVID-19大流行已导致全球超过600万人死亡。台湾建立了医疗化酒店,作为无症状或症状轻微的COVID-19患者的隔离设施。由于这些酒店提供的医疗服务有限,因此识别有临床恶化风险的患者至关重要。本研究旨在开发和评估一种基于图的深度学习方法,用于在医疗化酒店环境中进行渐进式医院转移风险预测。获得了632例患者的生命体征测量值,并构建了每日患者相似性图。归纳图卷积网络模型在时间积分图的顶部进行训练,以预测医院转移风险。基于过去1、2和3天的测量,所提出的模型在医院转移风险预测方面的AUC得分超过0.83,优于基线机器学习方法。使用局部聚类系数对构建的基于扩散的图进行事后分析,发现了一个平均年龄显著更大、体温更高、SpO 2更低和住院时间更短的高风险集群。进一步的时间到医院转移生存分析也显示了在发现的高风险集群的生存概率显着下降。所得到的结果表明,有前途的预测性和解释性的建议基于图的方法。这项技术可能有助于在类似于医疗化酒店的社区医疗设施中先发制人地检测高风险患者。
2022-12-31 cs.CY cs.LG
Deep IDA: A Deep Learning Method for Integrative Discriminant Analysis of Multi-View Data with Feature Ranking -- An Application to COVID-19 severity
University of Minnesota(明尼苏达大学)
COVID-19的严重程度是由于SARS-Cov-2的并发症,但感染的临床过程因人而异,强调需要在分子水平上更好地了解这种疾病。我们使用从(或未)入住重症监护室的COVID-19患者和非COVID-19患者中获得的临床和多种分子数据(或视图)来阐明COVID-19的严重程度。用于联合关联视图和分离COVID-19组(即,一步法)集中于线性关系。然而,视图与COVID-19患者群体之间的关系过于复杂,无法仅通过线性方法来理解。现有的非线性一步法不能用于识别特征,以帮助我们理解疾病的复杂性。我们提出了深度IDA(综合判别分析)来解决我们感兴趣的问题中的分析挑战。深度IDA学习两个或多个视图的非线性投影,最大限度地关联视图并分离每个视图中的类,并允许对可解释的发现进行特征排名。我们的应用表明,与其他最先进的方法相比,Deep IDA具有竞争力的分类率,并且能够识别有助于理解COVID-19严重程度的分子特征。
2021-11-24 cs.LG stat.ME stat.ML
Machine learning approaches for localized lockdown during COVID-19: a case study analysis
Microsoft(微软);University of São Paulo(圣保罗大学)
2019年底,最新的新型冠状病毒Sars-CoV-2作为一种重要的急性呼吸道疾病出现,并已成为全球大流行病。巴西等国由于州和市之间的社会经济差异很大,在应对病毒方面遇到了困难。因此,这项研究提出了一种新的方法,使用不同的机器学习和深度学习算法应用于巴西COVID-19数据。首先,聚类算法用于识别具有相似社会人口行为的县,而本福德定律用于检查数据操纵。基于这些结果,我们能够正确地建立基于聚类的SARIMA模型,以预测新的每日病例。无监督机器学习技术优化了定义SARIMA模型参数的过程。这一框架也可用于在所谓的第二波期间提出限制方案。我们使用了巴西人口最多的州圣保罗州的645个县。但是,这种方法可以在其他国家或地区使用。本文展示了如何将机器学习、深度学习、数据采掘和统计学等不同技术结合起来,在处理流行病数据时产生重要结果。虽然调查结果不能完全用于评估和影响政策决定,但它们提供了一种替代已使用的无效措施的方法。
2022-01-03 cs.CY cs.LG
A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays
University of Campinas(坎皮纳斯大学)
目的:我们提出了基于密集卷积网络和转移学习的图像分类器,根据三个标签对胸部X射线图像进行分类:COVID-19,肺炎和正常。研究方法:我们微调了在ImageNet上预训练的神经网络,并使用NIH ChestX-ray 14数据集作为中间步骤,应用了两次迁移学习方法。我们还提出了一种称为输出神经元保持的新颖方法,它改变了两次迁移学习技术。为了阐明模型的工作方式,我们使用分层相关传播(LRP)来生成热图。结果:我们能够在测试数据集上达到100%的测试准确率。两次迁移学习和输出神经元保持显示出有希望的结果,主要是在训练过程的开始,提高了性能。尽管LRP揭示了X射线上的单词会影响网络的预测,但我们发现这对准确性的影响非常小。结论:尽管仍需要临床研究和更大的数据集来进一步确保良好的泛化能力,但我们取得的最先进的性能表明,在人工智能的帮助下,胸部X光可以成为COVID-19诊断的廉价而准确的辅助方法。LRP生成的热图提高了深度神经网络的可解释性,并为未来的诊断研究指明了分析路径。输出神经元的二次迁移学习保持了性能的提高。
2021-01-13 cs.CV cs.LG eess.IV