«Удалить минус; подчеркните позитив», — Донна Кара

Введение

Вирус, вызывающий респираторное заболевание, называется коронавирусной болезнью 19 (COVID-19). SARS-CoV-2 является членом большого семейства вирусов, называемых коронавирусами. Эти вирусы могут заражать людей и некоторых животных. Впервые было известно, что SARS-CoV-2 заражает людей в 2019 году. Считается, что вирус передается от человека к человеку через капли, выделяемые при кашле, чихании или разговоре инфицированного человека. Он также может распространяться при прикосновении к поверхности с вирусом, а затем при прикосновении ко рту, носу или глазам, но это менее распространено. Проводятся исследования для лечения COVID-19 и предотвращения заражения SARS-CoV-2. Также называется тяжелым острым респираторным синдромом коронавирус 2. Давайте рассмотрим в этой статье некоторые исследовательские работы, которые дают представление о том, как концепции машинного обучения используются для борьбы с COVID-19 в следующем разделе.

Исследовательские работы, посвященные идеям машинного обучения для борьбы с COVID-19

  1. Обзор методов машинного обучения для обнаружения и диагностики COVID-19 с помощью изображений (arXiv)

Авторы: Айшварза Пандай, Мухаммад Ашад Кабир, Нихад Карим Чоудхури

Аннотация: из-за ограниченной доступности и высокой стоимости теста полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР) во многих исследованиях были предложены методы машинного обучения для обнаружения COVID-19 с помощью медицинских изображений. Целью этого исследования является систематический обзор, оценка и обобщение исследовательских статей, в которых использовались различные методы машинного обучения для обнаружения и диагностики COVID-19 по изображениям рентгенографии грудной клетки и компьютерной томографии. Был проведен структурированный поиск литературы в соответствующих библиографических базах данных, чтобы убедиться, что обзор сосредоточен исключительно на воспроизводимых и высококачественных исследованиях. Мы отобрали статьи на основе наших критериев включения. В этом опросе мы рассмотрели 98 статей, которые соответствовали нашим критериям включения. Мы рассмотрели полный спектр методов анализа изображений грудной клетки, связанных с COVID-19, включая сбор данных, предварительную обработку, извлечение признаков, классификацию и визуализацию. Мы рассмотрели компьютерную томографию и рентген, поскольку оба они широко используются для описания последних разработок в области медицинской визуализации для обнаружения COVID-19. Этот опрос дает исследователям ценную информацию о различных методах машинного обучения и их эффективности в обнаружении и диагностике COVID-19 с помощью изображений органов грудной клетки. В конце обсуждаются проблемы и ограничения в обнаружении COVID-19 с использованием методов машинного обучения, а также обсуждаются будущие направления исследований.

2. MIA-COV19D: обнаружение COVID-19 с помощью анализа трехмерного изображения КТ органов грудной клетки (arXiv)

Авторы: Димитриос Коллиас, Анастасиос Арсенос, Левон Сукисян, Стефанос Коллиас

Аннотация: Ранняя и надежная диагностика COVID-19 на основе трехмерной компьютерной томографии грудной клетки может помочь медицинским специалистам в жизненно важных обстоятельствах. Методологии глубокого обучения представляют собой основной подход к анализу компьютерной томографии грудной клетки и прогнозированию заболеваний. Однако большие аннотированные базы данных необходимы для разработки моделей глубокого обучения, способных обеспечить диагностику COVID-19 в различных медицинских учреждениях в разных странах. Из-за проблем с конфиденциальностью общедоступные наборы данных КТ COVID-19 очень трудно получить, что препятствует исследованиям и разработке методов диагностики COVID-19 с использованием ИИ на основе компьютерной томографии. В этой статье мы представляем базу данных COV19-CT-DB, аннотированную для COVID-19, состоящую из около 5000 трехмерных КТ-сканирований. Мы разделили базу данных на наборы данных для обучения, проверки и тестирования. Первые два набора данных можно использовать для обучения и проверки моделей машинного обучения, а второй — для оценки разработанных моделей. Мы также представляем подход к глубокому обучению, основанный на сети CNN-RNN, и сообщаем о его эффективности в базе данных COVID19-CT-DB.

3. TeliNet, простая и неглубокая сверточная нейронная сеть (CNN) для классификации компьютерных томограмм пациентов с COVID-19 (arXiv)

Авторы:Мохаммад Найим Тели

Аннотация: Сотни миллионов случаев заболевания и миллионы смертей произошли во всем мире из-за COVID-19. Борьба с этой пандемией ведется на нескольких фронтах. В то время как вакцинация набирает обороты, все еще остаются миллиарды непривитых людей. В этой борьбе огромную роль играют диагностика заболевания и изоляция больных для предотвращения распространения. Подходы машинного обучения помогли диагностировать случаи COVID-19 путем анализа рентгеновских снимков грудной клетки и компьютерной томографии пациентов. В этом исследовании мы представляем простой и неглубокий подход, основанный на сверточной нейронной сети, TeliNet, для классификации КТ-изображений пациентов с COVID-19. Наши результаты превосходят оценку F1 VGGNet и эталонные подходы. Предлагаемое нами решение также является более легким по сравнению с другими методами.

4. Прогнозы машинного обучения о времени окончания второй волны COVID-19 в штатах Индии (arXiv)

Авторы: Анвеш Редди, Ханеш Коганти, Саи Кришна, Сухас Редди, Соумьяджьоти Бисвас

Аннотация: оценка оставшегося времени продолжающейся волны распространения эпидемии является критически важным вопросом. Из-за вариаций широкого диапазона параметров эпидемии для простых моделей, таких как модель «восприимчивые-зараженные-удаленные» (SIR), трудно оценить такой временной масштаб. С другой стороны, многомерные данные с большим набором атрибутов — это именно то, что можно использовать в алгоритмах статистического обучения для прогнозирования. Здесь мы показываем, как предсказуемость модели SIR изменяется с различными параметрами с использованием алгоритма обучения с учителем. Затем мы оцениваем условие, при котором модель дает наименьшую ошибку в прогнозировании продолжительности первой волны пандемии COVID-19 в разных штатах Индии. Наконец, мы используем модель SIR с вышеупомянутыми оптимальными условиями для создания набора обучающих данных и используем его в алгоритме обучения с учителем для оценки времени окончания продолжающейся второй волны пандемии в разных штатах Индии.

5. Моделирование и прогнозирование распространения эпидемии COVID-19 в Иране до 22 сентября 2021 г. на основе глубокого обучения (arXiv)

Авторы: Джафар Абдоллахи, Амир Джалили Ирани, Бабек Нури-Могхаддам

Аннотация. Недавняя глобальная вспышка COVID-19 затронула многие страны мира. В связи с растущим числом новых инфицированных и узкими местами в системе здравоохранения будет полезно спрогнозировать предстоящее количество пациентов. Это исследование направлено на эффективный прогноз, который используется для оценки новых случаев, числа смертей и числа выздоровевших пациентов в Иране за 180 дней с использованием официального набора данных Министерства здравоохранения и медицинского образования Ирана и влияния мер контроля на распространения COVID-19. Разрабатываются четыре различных типа методов прогнозирования, временные ряды и алгоритмы машинного обучения, и определяется наиболее эффективный метод для данного тематического исследования. В рамках временного ряда мы рассматриваем четыре алгоритма, включая модели Пророка, долговременной кратковременной памяти, авторегрессии, авторегрессивной интегрированной скользящей средней. При сравнении различных методов мы обнаружили, что методы глубокого обучения дают лучшие результаты, чем алгоритмы прогнозирования временных рядов. В частности, наименьшее значение меры ошибки наблюдается в моделях сезонной ИНС и LSTM. Наши выводы показали, что если серьезно отнестись к мерам предосторожности, количество новых случаев и смертей уменьшится, а число смертей в сентябре 2021 года достигнет нуля.

6. Анализ влияния масок на смертность от COVID-19 с помощью машинного обучения (arXiv)

Авторы: Али Лафзи, Миад Будагхи, Сиаваш Замани, Ниюша Мохаммадшафи.

Аннотация: недавняя вспышка COVID-19 потрясла человечество и привела к гибели миллионов людей во всем мире. Чтобы предотвратить распространение вируса, власти США использовали различные стратегии, в том числе приказ о ношении масок (MM), изданный губернаторами штатов. Хотя большинство предыдущих исследований указывали на то, что ММ может эффективно препятствовать распространению вирусных инфекций, эффективность ММ в снижении степени воздействия вируса и, следовательно, уровня смертности остается неопределенной. Действительно, остается неясным, в какой степени степень воздействия COVID-19 принимает участие в летальности вируса. В текущей работе мы определили параметр, называемый средним коэффициентом смертности, как среднемесячное отношение количества ежедневных смертей к общему количеству ежедневных случаев. Мы использовали данные опроса, предоставленные New York Times, для количественной оценки приверженности людей приказу ММ. Кроме того, мы неявно обращались к тому, насколько люди соблюдают порядок ММ, что может зависеть от некоторых параметров, таких как численность населения, доход и политические взгляды. Используя различные алгоритмы классификации машинного обучения, мы исследовали, как снижение или увеличение коэффициента смертности для округов на западном побережье США коррелирует с входными параметрами. Наши результаты показали многообещающую оценку до 0,94 с такими алгоритмами, как XGBoost, Random Forest и Naive Bayes. Для проверки модели наиболее эффективные алгоритмы затем использовались для анализа других штатов (Аризона, Нью-Джерси, Нью-Йорк и Техас) в качестве тестовых примеров. Результаты показывают приемлемую тенденцию, что еще раз подтверждает пригодность выбранных функций для прогнозирования подобных случаев.

7. Модель глубокого обучения на основе остаточной сети для обнаружения COVID-19 по звукам кашля (arXiv)

Авторы: Аннесия Банерджи, Ачал Нилхани

Аннотация: в настоящей работе предлагается подход, основанный на глубоком обучении, для классификации кашля при COVID-19 и кашля, не связанного с COVID-19, который можно использовать в качестве низкоресурсного инструмента для ранней диагностики. выявление начала таких респираторных заболеваний. Предлагаемая система использует архитектуру ResNet-50, широко известную сверточную нейронную сеть (CNN) для задач распознавания изображений, на которую подаются логарифмические спектры аудиоданных для различения двух типов кашля. Для обучения и проверки предлагаемой модели глубокого обучения в этой работе используется набор данных Track-1, предоставленный организаторами DiCOVA Challenge 2021. Кроме того, чтобы увеличить количество образцов с положительным результатом на COVID и повысить изменчивость данных обучения, он также использовал большую базу данных с открытым исходным кодом о кашле COVID-19, собранную командой EPFL CoughVid. Наша разработанная модель достигла средней проверки AUC 98,88%. Кроме того, применяя эту модель к набору слепых тестов, выпущенному DiCOVA Challenge, система достигла AUC теста 75,91%, специфичности теста 62,50% и чувствительности теста 80,49%. Следовательно, эта работа заняла 16-е место в таблице лидеров DiCOVA Challenge 2021.

Вывод

Итак, это были 7 идей о том, как можно использовать машинное обучение для борьбы с COVID-19. Я надеюсь, что вы вдохновитесь попробовать что-то самостоятельно с инструментами машинного обучения, чтобы придумать идеи для борьбы с COVID-19, и если читателям интересно узнать больше идей, связанных с этим, посетите arXiv или IEEEXplore Цифровая библиотека и выполните поиск по ключевым словам: машинное обучение, искусственный интеллект, глубокое обучение и COVID-19. Приятного изучения! :).