Fugu-MT 論文翻訳(概要): Triaging moderate COVID-19 and other viral pneumonias from routine blood tests

論文の概要: Triaging moderate COVID-19 and other viral pneumonias from routine blood tests

arxiv url: http://arxiv.org/abs/2005.06546v1
Date: Wed, 13 May 2020 19:24:07 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 10:14:56.545271
Title: Triaging moderate COVID-19 and other viral pneumonias from routine blood tests
Title（参考訳）: 定期血液検査による中等度covid-19および他のウイルス性肺炎のトリエイジング
Authors: Forrest Sheng Bao, Youbiao He, Jie Liu, Yuanfang Chen, Qian Li, Christina R. Zhang, Lei Han, Baoli Zhu, Yaorong Ge, Shi Chen, Ming Xu, Liu Ouyang
Abstract要約: 新型コロナウイルスの検査は、既存の方法の可用性とコストによって大幅に制限されている。機械学習の力を利用して、新型コロナウイルスの検査に活用することを提案する。この課題に対処するために、実証された2つの機械学習モデルファミリー、ランダムフォレスト(RF)、サポートベクターマシン(SVM)が採用されている。
参考スコア（独自算出の注目度）: 15.922012597844699
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The COVID-19 is sweeping the world with deadly consequences. Its contagious nature and clinical similarity to other pneumonias make separating subjects contracted with COVID-19 and non-COVID-19 viral pneumonia a priority and a challenge. However, COVID-19 testing has been greatly limited by the availability and cost of existing methods, even in developed countries like the US. Intrigued by the wide availability of routine blood tests, we propose to leverage them for COVID-19 testing using the power of machine learning. Two proven-robust machine learning model families, random forests (RFs) and support vector machines (SVMs), are employed to tackle the challenge. Trained on blood data from 208 moderate COVID-19 subjects and 86 subjects with non-COVID-19 moderate viral pneumonia, the best result is obtained in an SVM-based classifier with an accuracy of 84%, a sensitivity of 88%, a specificity of 80%, and a precision of 92%. The results are found explainable from both machine learning and medical perspectives. A privacy-protected web portal is set up to help medical personnel in their practice and the trained models are released for developers to further build other applications. We hope our results can help the world fight this pandemic and welcome clinical verification of our approach on larger populations.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)は世界中で致命的な結果をもたらしている。感染性および他の肺炎との臨床的類似性により、covid-19と非covid-19ウイルス性肺炎に感染した患者を優先的に分離することが課題となっている。しかし、新型コロナウイルスの検査は、米国のような先進国でも既存の方法の可用性とコストによって大幅に制限されている。日常的な血液検査が広く利用可能であることに興味をそそられ、機械学習の力を利用して新型コロナウイルス検査に利用することを提案する。この課題に対処するために、実証された2つの機械学習モデルファミリー、ランダムフォレスト(RF)とサポートベクターマシン(SVM)が採用されている。 208名の中等度患者と86名の非共生型中等度ウイルス性肺炎患者から血液データに基づいてトレーニングした結果、svmベースの分類器において、精度84%、感度88%、特異度80%、精度92%で最良の結果が得られる。結果は、機械学習と医療の両方の観点から説明できる。プライバシ保護されたWebポータルは、医療従事者の実践を支援するために設定されており、トレーニングされたモデルがリリースされ、開発者は他のアプリケーションをさらに構築できる。私たちの結果は、このパンデミックとの戦いを支援し、より大きな人口に対する我々のアプローチの臨床的検証を歓迎できることを願っています。

関連論文リスト

COVID-19 Detection Based on Blood Test Parameters using Various Artificial Intelligence Methods [1.2408125305560274]
2019年には、新型コロナウイルスによる新型コロナウイルス感染症SARS-CoV-2(SARS-CoV-2)という新たな課題に直面した。本研究は、自己分類分類器を用いて、さまざまなAI手法を用いて、新型コロナウイルス患者と他者とを区別することを目的とした。
論文参考訳（メタデータ） (2024-04-02T22:49:25Z)
MEDNC: Multi-ensemble deep neural network for COVID-19 diagnosis [29.909378035039214]
我々は,CT画像を用いた新型コロナウイルスの自動予測と診断のための深層学習フレームワークMEDNCを提案する。当社のモデルは、COVID-19データの公開セットを2つ使用してトレーニングされました。その結果、MEDNCは新型コロナウイルス感染症の検出を大幅に強化し、それぞれ98.79%と99.82%の精度に達した。
論文参考訳（メタデータ） (2023-04-25T20:26:05Z)
Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images [3.829821362301428]
胸部X線画像を用いた新型コロナウイルス感染を自動的に検出するための最新の最先端のDeep Convolutional Neural Networks(CNN)の適用性について検討した。トレーニングしたモデルMobileNet,EfficentNet,InceptionV3はそれぞれ95%,95%,94%の分類平均精度を達成した。
論文参考訳（メタデータ） (2022-07-01T02:23:23Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文参考訳（メタデータ） (2021-08-05T16:47:33Z)
A New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools [66.20818586629278]
コロナウイルス感染症2019(COVID-19)は、数百万人に影響している。一般的なCCDやCMOSカメラで撮影された視線領域の画像を分析する新しいスクリーニング手法は、新型コロナウイルスの急激なリスクスクリーニングを確実に実現する可能性がある。
論文参考訳（メタデータ） (2020-09-04T00:50:27Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文参考訳（メタデータ） (2020-05-06T09:56:51Z)
COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文参考訳（メタデータ） (2020-04-30T03:13:40Z)
CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
論文参考訳（メタデータ） (2020-04-10T07:46:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。