Multimodal approach for early prediction of COVID-19 disease using convolutional neural network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p><span>The latest human coronavirus is COVID-19. Chest radiography imaging is essential for screening, early detection, and monitoring COVID-19 infections since the virus resides in the lungs. Classical real time reverse transcriptase polymerase chain reaction (RT-PCR) data and chest X-ray pictures will become more important for COVID-19 identification as the pandemic spreads due to their affordability, wide availability, and infection control benefits, which reduce cross-contamination. This work presents multi-modal hybrid automated approaches to classify COVID-19 illness into three clinical categories: normal, pathogenic, and COVID-19 utilising RT-PCR test data and online chest X-ray datasets. The RT-PCR and chest X-ray image datasets were processed using supervised machine learning and convolutional neural networks (CNN). Together, these measures help us separate COVID-19 patients, those with similar symptoms, and healthy persons. The author improved detection times and classification accuracy with extra tree classifier’s feature selection and openCV’s image sharpening. The proposed approaches were tested using a research dataset. The proposed methods allowed reliable COVID-19 disease categorization for clinical decision-making, with random forest (RF) classifier global precision values of 91.58% on the RT-PCR dataset and CNN model accuracy of 95.46% on improved sharpened images.</span></p>
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle