Lei Feng réseau AI source d'un commentaire par: À l'heure actuelle, le nouveau coronavirus (Covid-19) se répand toujours dans le monde entier. Dans ce cas, en plus de se battre sur la ligne de front des travailleurs de la santé qui, comme les petits individus, les grands pays tentent de faire un travail de prévention.

Et des informaticiens, des groupes de chercheurs d'apprentissage de la machine sont également hors de leur façon de traiter la maladie, y compris: la compilation de l'ensemble des données et des algorithmes de construction apprennent et ainsi de suite. Bien que la plupart des gens ne peuvent pas participer au processus de développement, mais nous pouvons assister à leurs réalisations et applaudis.

Par conséquent, Lei Feng réseau AI source d'une partie de finition de commentaires des ensembles de données et algorithmes papier sont comme suit, et à tous ceux qui ont contribué à l'épidémie rendent hommage.

Source: Sompong Rattanakunchon / Getty Images

classe Dataset

• Covid-19 cas ensemble de données

À l'heure actuelle, Google plate-forme de concours scientifique des données Kaggle a révélé un Covid-19 cas de l'ensemble de données, et sera mis à jour quotidiennement.

Les données qui y sont contenues, y compris l'âge du patient, la localisation, lorsque les symptômes ont commencé à apparaître, quand il est exposé, quand entrer à l'hôpital, etc., sont entrés en fonction de la situation réelle, avec la fiabilité. Selon les statistiques, près de 300 personnes utilisent les données dans leur analyse.

Dataset Adresse:

https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset

• ensemble de données Covid-chestxray

Un chercheur de l'Université de Montréal, a récolté et base de données publiée contient des dizaines de tomodensitométrie et la poitrine image à rayons X. Les données de recherche sur les maladies Covid-19 de ces images prises du public.

Dataset Adresse:

https://github.com/ieee8023/covid-chestxray-dataset

• Carte globale de l'infection

Université Johns Hopkins a mis en place un impressionnant « tableau de bord » détaille les données globales de cas Covid-19. Ces données seront mises à jour régulièrement, afin que nous puissions avoir une vision globale de la propagation de la maladie et de la mortalité.

À l'heure actuelle, le projet a été sur le code open source GitHub, vous pouvez copier et modifier leurs propres moyens.

Open Source Adresse:

https://github.com/CSSEGISandData/COVID-19

• Grandes quantités de données nouvelle pneumonie ouverte couronne

Alan intelligence artificielle (IA) institut de recherche, Fondation Chan Zuckerberg (de CZI), la sécurité et Emerging Technology Center à l'Université de Georgetown (de CSET), Microsoft, National Institutes of Health National Library of Medicine (NLM de), et OSTP ont conjointement annoncé aujourd'hui le « nouvel ensemble de données open pneumoniae couronne. »

Selon les rapports, l'ensemble de données contient plus de 29.000 articles et de la littérature académique, la nouvelle pneumonie couronne, et les nouveaux coronavirus associés groupe coronavirus, dont plus de 13.000 documents sont complets.

Le plus vaste ensemble de données est de loin la machine peut être utilisée pour les données et l'extraction de texte lisible collection de documents de recherche de coronavirus, il sera principalement utilisé pour la recherche médicale et des domaines connexes tels que l'apprentissage de la machine, aider les gens à répondre mieux et plus rapidement aux nouveaux foyers de la couronne de la pneumonie.

Informations sur le site de recherche d'épidémie mondiale en temps réel:

https://www.bing.com/covid

• la collecte de données du site des ressources régionales

Certains ensembles de données de l'hôpital directement auprès des patients, ainsi que des parties du site Web des ressources de données, par exemple:

Pékin ressource réseau de données du gouvernement municipal ouvert, mais les ensembles de données de santé municipaux fournis par la Commission « nouvelle infection par le coronavirus dans les cas d'information de la pneumonie. » (Https://data.beijing.gov.cn/)

Shandong ouvert réseau public de données ouvert cinq données de santé provinciaux ensembles fournis par la Commission sous la plate-forme d'accueil section « prévention des épidémies et de contrôle ». (Http://data.sd.gov.cn/)

Documents et classes

Pour les études de cas Covid-19, jusqu'à présent, il y a eu un algorithme, qui fait partie des documents suivants:

• Évaluer la précision du diagnostic de cancer du poumon en fonction CT-19-Covid

Le document est de la recherche originale récemment la santé Keya, mais aussi d'évaluer la précision diagnostique de la nouvelle couronne de papier basée sur l'intelligence artificielle dans le journal haut du monde « radiologie » d'abord publié.

Cette méthode utilise une technologie de pointe d'apprentissage profond, développé pour la nouvelle pneumonie couronne Covid-193D détecte les réseaux de neurones --- COVNet, faire toutes sortes d'extraction de caractéristiques d'image de CT pulmonaire utilisé pour identifier de nouvelles pneumonie couronne.

Enfin, dans les tests d'authentification centralisée distincts montrent, COVNet identifier la sensibilité et la spécificité de la nouvelle couronne et la pneumonie jusqu'à 89,76% 95,77% respectivement, la zone ASC sous la courbe ROC (de caractéristique de fonctionnement du récepteur) était 0,96. Vérifiez également la précision du modèle pour identifier la pneumonie d'origine communautaire (sensibilité 86,85%, la spécificité 92,28%, AUC 0,95).

Documents Adresse:

https://doi.org/10.1148/radiol.2020200905

• Étude approfondie de la recherche quantitative de l'infection pulmonaire images CT de Covid-19

Shanghai chercheurs ont conçu un système qui peut être utilisé avec des résultats d'inspection manuelle, ce qui réduira le temps d'analyse des images CT de quelques heures à environ 4 minutes.

Plus précisément, les chercheurs ont mis au point un système de segmentation basée sur l'apprentissage en profondeur (DL), l'analyse des images VB-Net formé réseau de neurones CT zone infectée Covid-19 est divisé.

CT scan de la poitrine par Covid-19300 cas de patients, en comparant avec la segmentation automatique de la région de l'infection de la zone infectée délimitée manuellement sur les performances du système de jauge.

Afin d'accélérer la vitesse des bandes de données, qui utilise la boucle homme-machine (Human-in-the-loop) méthode d'optimisation pour annoter chaque cas, ce qui réduit considérablement le temps global partagé.

En fin de compte, le système de Dess coefficient de similitude entre la segmentation automatique et manuel est divisé en 91,6% ± 10,0%, l'erreur de prédiction moyenne pour cent infection (PI) est de 0,3%.

Documents Adresse:

https://arxiv.org/abs/2003.04655v2

• Le dépistage de masse anormale assistée classificateur de motifs de respiration Covid-19

Ici, les chercheurs analysant le taux de respiration humaine, de trouver une méthode de dépistage auditif Covid-19. L'étude est pas concluante, mais il est d'une manière moins invasive pour tester de nouveaux virus idées.

Selon les dernières recherches cliniques, les différents modèles de respiration Covid-19 et la grippe et les modèles de respiration rhume, les personnes infectées Covid-19 ont l'apnée phénomène, et la respiration plus rapide.

Mode respiratoire BI-AT-GRU classification modèle

Par conséquent, la thèse proposée pour le dépistage des patients atteints de nouveaux coronavirus selon les caractéristiques de respiration. Plus précisément, les chercheurs ont utilisé une caméra de profondeur et la profondeur de l'apprentissage à faire le travail de dépistage.

Mais en fonction de la quantité réelle de données ne sont pas suffisantes modèle de formation en profondeur, le papier d'abord proposé un nouveau modèle de simulation de respiration pour compenser l'absence de problèmes de données de formation.

Ensuite, utilisez le papier pour la première fois le modèle à deux voies GRU mécanisme d'attention pour classer la fréquence respiratoire importante 6 cliniquement, cette méthode peut être étendue à scénario d'application à grande échelle, compléter les méthodes de dépistage existants.

Documents Adresse:

https://arxiv.org/abs/2002.05534v1

• Les résultats préliminaires en utilisant l'analyse d'image CT apprentissage en profondeur pour détecter automatiquement et le suivi des patients

En raison de la poitrine asymétrique CT a été montré pour détecter, quantifier et outil efficace pour le suivi de la maladie, nous pouvons développer des algorithmes d'apprentissage en profondeur pour aider à analyser les grandes images de scanner thoracique.

Par conséquent, les chercheurs ont mis au point les outils d'analyse d'images CT automatique à base d'AI, et prouver qu'ils peuvent coronavirus chez les patients avec des personnes non séparés souffrant de la zone de la maladie.

Le système a un papier d'entrée proposé images CT poitrine et marquer le suspect a une fonction Covid-19 cas. En outre, pour les cas classés comme positif, la sortie du système et des anomalies pulmonaires positionnement mesures figures.

Finalement, les résultats de la poitrine CT et la classification des coronavirus non-coronavirus est 0,996 AUC (95% CI: 0,989 à 1,00), qui est le résultat du contrôle des infections et des ensembles de données des patients en Chine. Les résultats réellement utilisés: sensibilité 98,2%, une spécificité de 92,2%.

À l'heure actuelle, l'étude a été étendue à une plus grande foule, a prouvé des résultats très précis peuvent être obtenus en termes de détection et la quantification et le suivi des maladies coronavirus analyse d'images basée sur l'IA.

Documents Adresse:

https://arxiv.org/abs/2003.05037

• Trois caractéristiques cliniques de prédiction de criticité, mais les patients graves Covid-19

Dans la phase actuelle, la gravité de la maladie rapidement, avec précision et au début de l'évaluation clinique est essentielle. Dans le cas d'aucun biomarqueurs établis comme une norme, cette méthode permet de détecter rapidement de nouveaux patients à haut risque couronne, l'intervention précoce et peut-être réduire leur mortalité.

Dans cette étude, les chercheurs qui utilisent le cadre le plus d'apprentissage machine de pointe, a choisi trois biomarqueurs pour prédire la survie individuelle du patient: LDH (lactate déshydrogénase), les lymphocytes, et hs-CRP (haute sensibilité C-réactive protéine).

Les chercheurs ont développé un modèle pronostique basé sur l'apprentissage de la machine XGBoost, et l'utilisation des dossiers de santé électroniques de près de 3000 patients de Wuhan, en Chine. En fin de compte, le modèle utilise le dernier échantillon de sang du patient pour prédire Covid-19 patients gravement malades est vivant avec une précision de plus de 90%, l'utilisation d'autres échantillon de sang est en mesure d'atteindre 90% de précision prévisions.

Cela montre aussi que de trois types de marqueurs biologiques peuvent prédire avec précision la gravité de la maladie, il peut réduire considérablement les paramètres cliniques surveillance de la pression et d'autre charge médicale connexe.

Documents Adresse:

https://doi.org/10.1101/2020.02.27.20028027

Tableau algorithme d'apprentissage machine à flux XGBoost

Référence d'origine: https: //onezero.medium.com/computer-scientists-are-building-algorithms-to-tackle-covid-19-f4ec40acdba0

source d'un commentaire Lei Feng réseau AI