論文の概要: CNN-BiLSTM for sustainable and non-invasive COVID-19 detection via salivary ATR-FTIR spectroscopy
- arxiv url: http://arxiv.org/abs/2509.12241v1
- Date: Wed, 10 Sep 2025 12:44:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.638891
- Title: CNN-BiLSTM for sustainable and non-invasive COVID-19 detection via salivary ATR-FTIR spectroscopy
- Title（参考訳）: 唾液ATR-FTIR分光法によるCNN-BiLSTMによる持続的および非侵襲的ウイルス検出
- Authors: Anisio P. Santos Junior, Robinson Sabino-Silva, Mário Machado Martins, Thulio Marquez Cunha, Murillo G. Carneiro,
- Abstract要約: リアルタイムポリメラーゼ連鎖反応(RT-PCR)は、新型コロナウイルス検出のゴールドスタンダードであると考えられている。
バイオ流体のATR-FTIR分析は、新型コロナウイルス検出のための試薬なしで費用対効果のある代替手段を提供する。
本稿では,畳み込みニューラルネットワーク(CNN)とBidirectional Long Short-Term Memory(BiLSTM)ネットワークを組み合わせた新しいアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The COVID-19 pandemic has placed unprecedented strain on healthcare systems and remains a global health concern, especially with the emergence of new variants. Although real-time polymerase chain reaction (RT-PCR) is considered the gold standard for COVID-19 detection, it is expensive, time-consuming, labor-intensive, and sensitive to issues with RNA extraction. In this context, ATR-FTIR spectroscopy analysis of biofluids offers a reagent-free, cost-effective alternative for COVID-19 detection. We propose a novel architecture that combines Convolutional Neural Networks (CNN) with Bidirectional Long Short-Term Memory (BiLSTM) networks, referred to as CNN-BiLSTM, to process spectra generated by ATR-FTIR spectroscopy and diagnose COVID-19 from spectral samples. We compare the performance of this architecture against a standalone CNN and other state-of-the-art machine learning techniques. Experimental results demonstrate that our CNN-BiLSTM model outperforms all other models, achieving an average accuracy and F1-score of 0.80 on a challenging real-world COVID-19 dataset. The addition of the BiLSTM layer to the CNN architecture significantly enhances model performance, making CNN-BiLSTM a more accurate and reliable choice for detecting COVID-19 using ATR-FTIR spectra of non-invasive saliva samples.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、医療システムに前例のない緊張を与えており、特に新たなバリエーションの出現に伴う世界的な健康問題となっている。
リアルタイムポリメラーゼ連鎖反応(RT-PCR)は、新型コロナウイルス検出の金の標準とされているが、高価で、時間がかかり、労働集約的であり、RNA抽出の問題に敏感である。
この文脈では、ATR-FTIR分析によるバイオ流体の分析は、新型コロナウイルス検出のための試薬のない、費用対効果のある代替手段を提供する。
本稿では,CNN-BiLSTM(Bidirectional Long Short-Term Memory)ネットワークとCNN-BiLSTM(Bidirectional Long-Term Memory)を併用して,ATR-FTIR分光法により生成されたスペクトルを処理し,スペクトル試料からCOVID-19を診断する新しいアーキテクチャを提案する。
このアーキテクチャの性能をスタンドアロンのCNNや他の最先端の機械学習技術と比較する。
実験の結果、我々のCNN-BiLSTMモデルは、実際のCOVID-19データセット上で平均精度とF1スコアの0.80を達成し、他のモデルよりも優れていることが示された。
CNNアーキテクチャにBiLSTM層を追加することで、モデル性能が大幅に向上し、非侵襲唾液サンプルのATR-FTIRスペクトルを用いて、CNN-BiLSTMをより正確かつ信頼性の高い選択が可能となった。
関連論文リスト
- A Novel Channel Boosted Residual CNN-Transformer with Regional-Boundary Learning for Breast Cancer Detection [6.6149904114661]
本研究では, CB-Res-RBCMTという新しいハイブリッドフレームワークを導入する。
提案したRBCMTは,CNN Meet Transformer (CMT) ブロックとステム畳み込みブロックを用いており,その後に新たなRegional and boundary (RB) 特徴抽出操作を行う。
提案されたCB-Res-RBCMTは、95.57%のF1スコア、95.63%の精度、96.42%の感度、標準ハーモナイズドストリジェントBUSIデータセットの94.79%の精度を達成した。
論文 参考訳（メタデータ） (2025-03-19T08:59:02Z) - Modeling Eye Gaze Velocity Trajectories using GANs with Spectral Loss for Enhanced Fidelity [38.972340249998126]
本研究では、LSTMおよびCNNジェネレータを用いたGANフレームワークを導入し、高忠実な合成視線速度軌道を生成する。
スペクトル正則化の導入は、眼球運動のスペクトル特性を再現するGANの能力を著しく向上させる。
論文 参考訳（メタデータ） (2024-12-05T14:23:40Z) - Coupling a Recurrent Neural Network to SPAD TCSPC Systems for Real-time
Fluorescence Lifetime Imaging [4.49533352963549]
近年,生物・医学研究における強力な診断技術として,蛍光寿命イメージング(FLI)が注目されている。
既存のFLIシステムは、処理速度、精度、堅牢性の間のトレードオフに悩まされることが多い。
精度を低下させることなく高速FLIを実現する頑健な手法を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:37:37Z) - COVID-19 Detection and Analysis From Lung CT Images using Novel Channel
Boosted CNNs [0.0]
2相ディープ畳み込みニューラルネットワーク(CNN)に基づく診断システムを提案し、微小な異常を検出し、COVID-19感染を分析する。
提案した診断システムは、精度が98.21 %、Fスコアが98.24%、Dice similarityが96.40 %、IOUが98.85 %である。
論文 参考訳（メタデータ） (2022-09-22T12:32:16Z) - Classification of diffraction patterns using a convolutional neural
network in single particle imaging experiments performed at X-ray
free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。
再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。
本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文 参考訳（メタデータ） (2021-12-16T17:03:14Z) - COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional
Neural Networks [0.0]
我々は、新型コロナウイルス肺炎、インフルエンザウイルス肺炎、および正常なバイオマーカーの鑑別を支援するコンピュータソリューションを開発した。
その分類性能において、最高の性能モデルでは、検証精度は93%、F1スコアは0.95であった。
論文 参考訳（メタデータ） (2021-12-14T01:59:25Z) - 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) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - 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) - 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)
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。