論文の概要: Predicting COVID-19 Prevalence Using Wastewater RNA Surveillance: A Semi-Supervised Learning Approach with Temporal Feature Trust

• arxiv url: http://arxiv.org/abs/2512.00100v1
• Date: Thu, 27 Nov 2025 06:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.065481
• Title: Predicting COVID-19 Prevalence Using Wastewater RNA Surveillance: A Semi-Supervised Learning Approach with Temporal Feature Trust
• Title（参考訳）: 廃水RNAサーベイランスを用いた新型コロナウイルス感染予測:時間的特徴信頼を用いた半監督学習アプローチ
• Authors: Yifei Chen, Eric Liang,
• Abstract要約: 本稿では, 廃水監視データおよびその他の要因に基づく, 日数推定のためのディープニューラルネットワーク推定器を提案する。 機械学習の観点からは、トレーニングデータは異なる期間にわたって異なる信頼性を持つため、時間的特徴の信頼性に対処することが主な課題である。
• 参考スコア（独自算出の注目度）: 6.832811102748518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As COVID-19 transitions into an endemic disease that remains constantly present in the population at a stable level, monitoring its prevalence without invasive measures becomes increasingly important. In this paper, we present a deep neural network estimator for the COVID-19 daily case count based on wastewater surveillance data and other confounding factors. This work builds upon the study by Jiang, Kolozsvary, and Li (2024), which connects the COVID-19 case counts with testing data collected early in the pandemic. Using the COVID-19 testing data and the wastewater surveillance data during the period when both data were highly reliable, one can train an artificial neural network that learns the nonlinear relation between the COVID-19 daily case count and the wastewater viral RNA concentration. From a machine learning perspective, the main challenge lies in addressing temporal feature reliability, as the training data has different reliability over different time periods.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)は、人口が安定して常在する内因性疾患へと移行するにつれて、侵襲的な措置を取らずにその流行を監視することがますます重要になる。 本稿では, 廃水監視データ等に基づく, 日数推定のためのディープニューラルネットワーク推定器を提案する。 この研究は、新型コロナウイルス(COVID-19)の感染者数と、パンデミックの早期に収集されたテストデータとを結びつける、Jioang、Kolozsvary、Li(2024年)の研究に基づいている。 両データが信頼性の高い期間に、新型コロナウイルス検査データと排水監視データを用いて、毎日のケース数と廃水ウイルスRNA濃度との非線形関係を学習するニューラルネットワークを訓練することができる。 機械学習の観点からは、トレーニングデータは異なる期間にわたって異なる信頼性を持つため、時間的特徴の信頼性に対処することが主な課題である。

関連論文リスト

• CoVScreen: Pitfalls and recommendations for screening COVID-19 using Chest X-rays [1.0878040851637998]
  新型コロナウイルス(COVID-19)は、SARS-CoV-2による感染性の高い呼吸器疾患で、前例のない医療危機となっている。 症状のある患者の早期スクリーニングと診断は、地域感染を止めるために患者を隔離する上で重要な役割を担っている。 アクセシビリティ、可用性、低コスト、衛生の容易さ、ポータブルなセットアップのため、胸部X線撮影は効果的なスクリーニングおよび診断ツールとして機能する。
  論文  参考訳（メタデータ） (2024-05-13T12:03:15Z)
• Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a Deep Learning study [0.7832189413179361]
  2019年末の新型コロナウイルス(COVID-19)の流行は、世界中を揺さぶり、何百万人もの命を奪った健康危機の始まりだった。 廃水のウイルス負荷データの有効性に関するコンセンサスにもかかわらず、ウイルス負荷を利用して新型コロナウイルスの予測を改善する方法論的なアプローチが欠如している。 本稿では,日常的な症例とバイラルロードデータとの関係を自動的に把握するために,ディープラーニングを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-12-17T04:57:44Z)
• 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)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• 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)
• Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread [61.9008166652035]
  半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。 我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
  論文  参考訳（メタデータ） (2020-10-10T19:33:53Z)
• Anomaly Detection Approach to Identify Early Cases in a Pandemic using Chest X-rays [3.9801611649762263]
  あらゆるパンデミックにおいて重要な段階は、予防的治療と戦略を開発するための早期発見である。 新型コロナウイルスの症例では、胸部X線撮影で特徴的な異常がみられた。 本稿では,畳み込み型および逆向きに訓練されたオートエンコーダを含む,教師なしの深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T15:21:31Z)
• Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
  重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。 私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。 調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
  論文  参考訳（メタデータ） (2020-07-22T18:02:39Z)
• 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)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。