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
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
COVID-Datathon: Biomarker identification for COVID-19 severity based on BALF scRNA-seq data
Texas A&M University(德克萨斯农工大学)
严重急性呼吸综合征冠状病毒2(SARS-CoV-2)的出现始于2019年底,此后在全球迅速蔓延。对这种新出现的病毒的呼吸道免疫应答的特征尚不清楚。最近,已经完成了支气管肺泡灌洗液(BALF)细胞的单细胞RNA测序(单细胞RNA测序)转录组分析,以阐明COVID-19的潜在机制。为了更好地利用BALF细胞对病毒的反应图谱,我们在这里提出了一个生物信息学管道来识别COVID-19严重程度的候选生物标志物,这可能有助于表征BALF细胞,以便更好地了解SARS-CoV-2感染的机制。拟议的管道是在R中实现的,可以在https://github.com/namini94/scBALF_Hackathon上找到。
2021-10-11 cs.LG q-bio.QM
One-shot screening of potential peptide ligands on HR1 domain in COVID-19 glycosylated spike (S) protein with deep siamese network
Imperial College London(帝国理工学院)
新型冠状病毒(2019-nCoV)已被宣布为新的国际卫生问题,目前尚未确定具体药物。目前正在评估几种方法,如蛋白酶和糖基化刺突(S)蛋白抑制剂,概述了冠状病毒和宿主细胞之间的主要融合位点。尽管如此,糖基化刺突(S)蛋白上的Heptad Repeat 1(HR 1)结构域是具有较低突变性的区域,然后是新抑制剂药物最令人鼓舞的靶点。与其他方法相比,所提出的方法的新颖性在于对2019-nCoV病毒进行深度神经网络的精确训练。其中,暹罗神经网络(SNN)已被训练用于区分两种不同病毒家族(如HIV-1和埃博拉病毒)中的整个2019-nCoV蛋白质序列。通过这种方式,目前的深度学习系统具有2019-nCoV蛋白质结构之间的肽连接的精确知识,并且与其他工作不同的是,不是在尚未提供2019-nCoV的任何配体肽信息的公共数据集上进行琐碎的训练。突然,SNN显示肽亲和力分类的灵敏度为$83\%$,其中SATPdb库上的$3027$肽已针对2019-nCoV的特定区域HR 1进行了测试,对肽基脯氨酰顺反异构酶(PPI酶)肽表现出$93\%$的亲和力。PPIase和HR 1之间的这种亲和力可以打开新的研究视野,因为一些科学论文已经表明,CsA免疫抑制药物,PPIase的主要抑制剂,抑制不同的冠状病毒,包括SARS-CoV和MERS-CoV的繁殖。最后,为了确保科学的可重复性,代码和数据已在以下链接中公开…
2020-04-11 cs.LG q-bio.QM
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
Coronavirus (COVID-19) Classification using CT Images by Machine Learning Methods
Konya Technical University(科尼亚技术大学);Amasya University(阿马西亚大学)
本研究通过机器学习方法对世界卫生组织(WHO)命名的冠状病毒(COVID-19)进行早期检测。检测过程在腹部计算机断层扫描(CT)图像上实现。放射科专家从CT图像中发现,COVID-19表现出与其他病毒性肺炎不同的行为。因此,临床专家明确指出,COVID-19病毒需要在早期阶段进行诊断。对于COVID-19的检测,通过从150张CT图像中获取大小为16 x16、32 x32、48 x48、64 x64的补丁来形成四个不同的数据集。将特征提取过程应用于斑块以提高分类性能。灰度共生矩阵(GLCM),局部方向模式(LDP),灰度游程矩阵(GLRLM),灰度尺寸区域矩阵(GLSZM)和离散小波变换(DWT)算法被用作特征提取方法。利用支持向量机对提取的特征进行分类。在分类过程中实施了2倍、5倍和10倍交叉验证。灵敏度,特异性,准确性,精密度和F-评分指标用于评估分类性能。采用10倍交叉验证和GLSZM特征提取方法,分类正确率最高,达到99.68%。
2020-03-20 cs.CV cs.LG eess.IV
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 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
COVID-19 Data Analysis and Forecasting: Algeria and the World
USTHB University(阿尔及尔科技大学)
新型冠状病毒疾病2019 COVID-19已将世界带入一场突出的危机。截至2020年5月19日,该病毒已传播至215个国家,全球确诊病例超过4,622,001例,报告死亡311,916例,其中阿尔及利亚确诊7201例,死亡555例。分析和预测COVID-19病例和死亡人数的增长可能在许多方面都很有用,政府可以估计医疗设备并采取适当的政策应对措施,专家可以估计疾病的高峰和结束。在这项工作中,我们首先训练了一个时间序列Prophet模型,以分析和预测阿尔及利亚的COVID-19病例和死亡人数。然后,为了更好地了解COVID-19的传播和特性,我们包括可能有助于加速/减缓病毒传播的外部因素,从可靠来源构建数据集,并考虑全球82个国家进行大规模数据分析。评估结果显示,时间序列Prophet模型准确预测了阿尔及利亚的病例数和死亡数,RMSE得分较低,分别为218. 87和4. 79,而预测结果显示,未来几周病例数和死亡总数预计将增加。此外,全球数据驱动的分析揭示了病例和死亡人数的增加/减少与可能有助于加速/减缓病毒传播的外部因素(如地理,气候,健康,经济和人口因素)之间的几种相关性。
2020-08-22 cs.LG physics.soc-ph q-bio.PE