論文の概要: CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks
- arxiv url: http://arxiv.org/abs/2007.10497v3
- Date: Wed, 28 Oct 2020 23:12:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 13:41:06.539877
- Title: CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks
- Title（参考訳）: CovidDeep: ウェアラブル医療センサとニューラルネットワークを用いたSARS-CoV-2/COVID-19テスト
- Authors: Shayan Hassantabar, Novati Stefano, Vishweshwar Ghanakota, Alessandra
Ferrari, Gregory N. Nicola, Raffaele Bruno, Ignazio R. Marino, Kenza
Hamidouche, and Niraj K. Jha
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 51.589769497681175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The novel coronavirus (SARS-CoV-2) has led to a pandemic. The current testing
regime based on Reverse Transcription-Polymerase Chain Reaction for SARS-CoV-2
has been unable to keep up with testing demands, and also suffers from a
relatively low positive detection rate in the early stages of the resultant
COVID-19 disease. Hence, there is a need for an alternative approach for
repeated large-scale testing of SARS-CoV-2/COVID-19. We propose a framework
called CovidDeep that combines efficient DNNs with commercially available WMSs
for pervasive testing of the virus. We collected data from 87 individuals,
spanning three cohorts including healthy, asymptomatic, and symptomatic
patients. We trained DNNs on various subsets of the features automatically
extracted from six WMS and questionnaire categories to perform ablation studies
to determine which subsets are most efficacious in terms of test accuracy for a
three-way classification. The highest test accuracy obtained was 98.1%. We also
augmented the real training dataset with a synthetic training dataset drawn
from the same probability distribution to impose a prior on DNN weights and
leveraged a grow-and-prune synthesis paradigm to learn both DNN architecture
and weights. This boosted the accuracy of the various DNNs further and
simultaneously reduced their size and floating-point operations.
- Abstract（参考訳）: 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、テスト要求に沿うことができず、その結果のCOVID-19疾患の初期段階では比較的低い陽性検出率に悩まされている。
そのため、SARS-CoV-2/COVID-19の大規模なテストを繰り返し行う代替アプローチが必要である。
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。
健常者,無症状者,症状患者を含む3つのコホートにまたがる87人のデータを収集した。
我々は6つのWMSおよびアンケートカテゴリから自動的に抽出された特徴の様々なサブセットに基づいてDNNを訓練し、3方向分類におけるテスト精度の点でどのサブセットが最も有効かを決定する。
最高試験精度は98.1%であった。
また,同じ確率分布から得られた合成トレーニングデータセットを用いて実トレーニングデータセットを拡張し,dnnの重み付けに事前を課し,dnnのアーキテクチャと重み付けの両方を学ぶために,成長・予備合成パラダイムを活用した。
これにより、様々なDNNの精度をさらに高め、サイズと浮動小数点演算を同時に削減した。
関連論文リスト
- COVID-Net Assistant: A Deep Learning-Driven Virtual Assistant for
COVID-19 Symptom Prediction and Recommendation [75.74756992992147]
新型コロナウイルスの症状予測とレコメンデーションを提供するために設計された,効率的な仮想アシスタントであるCOVID-Net Assistantの設計を紹介する。
マシン駆動設計探索を通じて生成された、高度にカスタマイズされた軽量な畳み込みニューラルネットワークアーキテクチャについて検討する。
実験結果から,強力な予測性能を示す COVID-Net Assistant ニューラルネットワークが期待できる結果を得た。
論文 参考訳（メタデータ） (2022-11-22T01:41:48Z) - CIRCA: comprehensible online system in support of chest X-rays-based
COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。
5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。
The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文 参考訳（メタデータ） (2022-10-11T13:30:34Z) - Improving COVID-19 CT Classification of CNNs by Learning
Parameter-Efficient Representation [31.51725965329019]
深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。
DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
論文 参考訳（メタデータ） (2022-08-09T12:24:53Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳（メタデータ） (2021-01-19T03:04:09Z) - COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for
Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。
我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
論文 参考訳（メタデータ） (2020-12-10T08:30:46Z) - COVID-FACT: A Fully-Automated Capsule Network-based Framework for
Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。
COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。
この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
論文 参考訳（メタデータ） (2020-10-30T03:30:22Z) - COVID-19 Classification Using Staked Ensembles: A Comprehensive Analysis [0.0]
新型コロナウイルスは大量死亡率で増加し、WHOはパンデミックと宣言した。
効率的かつ迅速な診断が不可欠である。
逆転写ポリメラーゼ鎖反応(RTPCR)テストを行い、SARS-CoV-2の存在を検出する。
代わりに胸部CT(または胸部X線)を高速かつ正確な診断に用いることができる。
論文 参考訳（メタデータ） (2020-10-07T07:43:57Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - COVID-Net S: Towards computer-aided severity assessment via training and
validation of deep neural networks for geographic extent and opacity extent
scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。
本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文 参考訳（メタデータ） (2020-05-26T16:33:52Z)
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。