COVID-19 Diagnosis Using Chaotic Logistic Map Based Modified Whale Optimization: A Robust Feature and Parameter Selection Approach
Notice bibliographique
Résumé
The ongoing Coronavirus (COVID-19) pandemic poses a significant global health crisis due to its rapid transmission among humans and animals.Projections suggest that 90% of the world's population could potentially be affected in the years to come, underlining the critical need for early and accurate detection to mitigate the mortality rate.Previous models developed for COVID-19 prediction have primarily relied on manually-extracted features, a process that is time-intensive and prone to human error.In response to this challenge, this study introduces a novel diagnostic tool for COVID-19, leveraging machine learning approaches for efficient feature extraction and optimal parameter selection.Initially, features are extracted from collected Computed Tomography (CT) images using both the Gray Level Co-Occurrence Matrix (GLCM) and Gray Level Run Length Matrix (GLRM) techniques.Subsequently, a Chaotic Logistic Map-based Modified Whale Optimization (CLM-MWO) algorithm is applied to select the optimal hyperparameters for a Neural Network (NN) classifier and to perform Feature Selection (FS) from the extracted features.The CLM-MWO is inspired by the prey-searching behaviours of whales and incorporates elements of chaos theory and logistic map to enhance exploration and exploitation capabilities.This approach improves the stability and convergence speed of the algorithm, enabling it to identify optimal features and fine-tune the parameters of the NN for superior classification performance.The features extracted through the CLM-MWO are then input into an improved Neural Network (INN) classifier, which facilitates the classification and prediction of COVID-19 from CT images.The proposed CLM-MWO-INN technique is validated through comparison with other classifiers frequently utilized in recent researches.Performance measurements indicate that the proposed method achieves an accuracy of 91.13% and 93.11% on two different CT image datasets.This accuracy surpasses that of other classifiers, demonstrating the potential of the proposed method for effective early detection of COVID-19.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».