論文の概要: Diagnosis of COVID-19 Using Machine Learning and Deep Learning: A review
- arxiv url: http://arxiv.org/abs/2110.14910v1
- Date: Thu, 28 Oct 2021 06:17:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 06:21:16.541669
- Title: Diagnosis of COVID-19 Using Machine Learning and Deep Learning: A review
- Title（参考訳）: 機械学習とディープラーニングを用いた新型コロナウイルスの診断
- Authors: M. Rubaiyat Hossain Mondal, Subrato Bharati and Prajoy Podder
- Abstract要約: 本稿では、新型コロナウイルス(COVID-19)対策における機械学習(ML)と深層学習(DL)技術の適用について、体系的に検討する。
AI、COVID-19、ML、予測、DL、X線、CT(Computed Tomography)のキーワードに基づいて、440記事の全文レビューを行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: This paper provides a systematic review of the application of
Artificial Intelligence (AI) in the form of Machine Learning (ML) and Deep
Learning (DL) techniques in fighting against the effects of novel coronavirus
disease (COVID-19). Objective & Methods: The objective is to perform a scoping
review on AI for COVID-19 using preferred reporting items of systematic reviews
and meta-analysis (PRISMA) guidelines. A literature search was performed for
relevant studies published from 1 January 2020 till 27 March 2021. Out of 4050
research papers available in reputed publishers, a full-text review of 440
articles was done based on the keywords of AI, COVID-19, ML, forecasting, DL,
X-ray, and Computed Tomography (CT). Finally, 52 articles were included in the
result synthesis of this paper. As part of the review, different ML regression
methods were reviewed first in predicting the number of confirmed and death
cases. Secondly, a comprehensive survey was carried out on the use of ML in
classifying COVID-19 patients. Thirdly, different datasets on medical imaging
were compared in terms of the number of images, number of positive samples and
number of classes in the datasets. The different stages of the diagnosis,
including preprocessing, segmentation and feature extraction were also
reviewed. Fourthly, the performance results of different research papers were
compared to evaluate the effectiveness of DL methods on different datasets.
Results: Results show that residual neural network (ResNet-18) and densely
connected convolutional network (DenseNet 169) exhibit excellent classification
accuracy for X-ray images, while DenseNet-201 has the maximum accuracy in
classifying CT scan images. This indicates that ML and DL are useful tools in
assisting researchers and medical professionals in predicting, screening and
detecting COVID-19.
- Abstract（参考訳）: 背景: 新型コロナウイルス(COVID-19)に対する機械学習(ML)および深層学習(DL)技術を用いた人工知能(AI)の応用について, 系統的な検討を行った。
目的と方法: 組織的レビューとメタ分析(prisma)ガイドラインの推奨報告項目を使用して、covid-19のaiに関するスキャピングレビューを行う。
文献調査は2020年1月1日から2021年3月27日まで行われた。
評判の出版社で利用可能な4050の研究論文のうち、440記事の全文レビューがAI、COVID-19、ML、予測、DL、X線、CT(Computed Tomography)のキーワードに基づいて行われた。
最後に,本論文の合成結果に52項目を収録した。
レビューの一環として,確認症例数と死亡事例数を予測するため,まず異なるML回帰法について検討した。
第2に、新型コロナウイルス患者の分類におけるMLの使用に関する総合的な調査を行った。
第3に、画像数、陽性サンプル数、データセットのクラス数について、医療画像における異なるデータセットを比較した。
また,前処理,セグメンテーション,特徴抽出を含む診断の異なる段階についても検討した。
第4に、異なる研究論文の性能評価結果を比較し、異なるデータセットにおけるDL法の有効性を評価した。
その結果,残差ニューラルネットワーク(ResNet-18)と密結合畳み込みネットワーク(DenseNet 169)はX線画像の分類精度に優れ,DenseNet-201はCTスキャン画像の分類精度が最大であることがわかった。
これは、MLとDLが、研究者や医療専門家が新型コロナウイルスを予測、スクリーニング、検出するのに役立つツールであることを示している。
関連論文リスト
- Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。
我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。
LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
論文 参考訳（メタデータ） (2024-04-10T09:48:52Z) - Enhancing COVID-19 Severity Analysis through Ensemble Methods [13.792760290422185]
本稿では、新型コロナウイルス患者の感染症領域を抽出するためのドメイン知識に基づくパイプラインを提案する。
感染の重症度は、3つの機械学習モデルのアンサンブルを使用して異なるカテゴリに分類される。
提案システムは,AI-Enabled Medical Image Analysis WorkshopとCOVID-19診断コンペティションの検証データセットを用いて評価した。
論文 参考訳（メタデータ） (2023-03-13T13:59:47Z) - Medical Imaging with Deep Learning for COVID- 19 Diagnosis: A
Comprehensive Review [1.7205106391379026]
本論文は, 深層学習モデル(DL)の医療画像・薬物発見への応用に焦点をあてる。
我々は,X線やCT画像などの医療画像に基づく様々な研究と,肺炎に対するCOVID-19の分類方法について詳述した。
論文 参考訳（メタデータ） (2021-07-13T16:49:49Z) - What is the State of the Art of Computer Vision-Assisted Cytology? A
Systematic Literature Review [47.42354724922676]
現在,細胞診に応用されているコンピュータビジョン技術の現状を明らかにするために,システマティック文献レビューを実施している。
分析された研究で最も使われている方法は深層学習(70論文)であるが、古典的なコンピュータビジョンのみ(101論文)を使用するものは少ない。
結論として,多くの染色に対して高品質なデータセットがまだ存在せず,ほとんどの研究は日常的な臨床診断ルーチンに適用できるほど成熟していない。
論文 参考訳（メタデータ） (2021-05-24T13:50:45Z) - 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) - Common pitfalls and recommendations for using machine learning to detect
and prognosticate for COVID-19 using chest radiographs and CT scans [1.9133116891556288]
我々は、2020年1月1日から2020年10月3日までアップロードされた論文とプレプリントについて、OVID、MEDLINE、PubMed、bioRxiv、medRxiv、arXivを介してEMBASEを検索する。
本報告では, 方法的欠陥や根本的バイアスにより, いずれのモデルも臨床応用の可能性を秘めていないことが確認された。
論文 参考訳（メタデータ） (2020-08-14T14:25:21Z) - Automated Detection and Forecasting of COVID-19 using Deep Learning
Techniques: A Review [10.153806948106684]
コロナウイルス(Coronavirus、COVID-19)は、世界中の多くの人々の健康を危険にさらす病気である。
高速かつ正確な診断のために,X線およびCT画像モダリティが広く用いられている。
ディープラーニング(DL)ネットワークは最近、従来の機械学習(ML)と比較して人気を博している。
論文 参考訳（メタデータ） (2020-07-16T16:04:17Z) - A scoping review of transfer learning research on medical image analysis
using ImageNet [6.096928581537518]
畳み込みニューラルネットワーク(CNN)を用いた伝達学習は、医用画像解析に有望な結果を示している。
本研究は,データ作成,方法論の選択,出力評価に関する文献において,最も一般的な実装の軌跡を明らかにした。
論文 参考訳（メタデータ） (2020-04-27T21:01:45Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。