Biblioteca31.299 documentos en línea

Artículo

Hybrid Deep-Learning and Machine-Learning Models for Predicting COVID-19Modelos híbridos de aprendizaje profundo y aprendizaje automático para predecir la COVID-19

Resumen

La pandemia de COVID-19 ha tenido un impacto significativo en la vida pública y la salud en todo el mundo, poniendo en riesgo los sistemas sanitarios mundiales. El primer paso para detener este brote es detectar la infección en sus primeras etapas, lo que aliviará el riesgo, controlará la propagación del brote y restaurará la plena funcionalidad de los sistemas sanitarios del mundo. En la actualidad, la PCR es la herramienta de diagnóstico más frecuente para el COVID-19. Sin embargo, las radiografías de tórax pueden desempeñar un papel esencial en la detección de esta enfermedad, al igual que lo hacen con éxito para muchas otras neumonías víricas. Lamentablemente, existen características comunes entre COVID-19 y otras neumonías víricas, por lo que la diferenciación manual entre ellas parece ser un problema crítico y necesita la ayuda de la inteligencia artificial. Esta investigación emplea técnicas de aprendizaje profundo y de transferencia para desarrollar modelos precisos, generales y robustos para la detección de COVID-19. Los modelos desarrollados utilizan redes neuronales convolucionales o modelos de aprendizaje de transferencia o los hibridan con potentes técnicas de aprendizaje automático para explotar todo su potencial. Para la experimentación, aplicamos los modelos propuestos a dos conjuntos de datos: la base de datos de radiografías COVID-19 de Kaggle y un conjunto de datos locales del Hospital Asir, Abha, Arabia Saudí. Los modelos propuestos obtuvieron resultados prometedores en la detección de los casos de COVID-19 y en la discriminación de los casos normales y de otras neumonías víricas con una precisión excelente. Los modelos híbridos extrajeron características de la capa plana o de la primera capa oculta de la red neuronal y luego introdujeron estas características en un algoritmo de clasificación. Este enfoque mejoró los resultados hasta alcanzar una precisión total en la clasificación binaria de COVID-19 y un 97,8 en la clasificación multiclase.

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento