深度学习在新冠肺炎检测方面的应用

背景介绍

  春节将近,核酸检测成了回家过年的必备品,此时有多少人为了等待一根棉签,在手机上疯狂的点击预约按钮。如果这个时候有人告诉你,有一种新的检测方式,能够对新冠肺炎进行检查与筛选,你会使用吗?近来,MIT部分研究学者利用深度学习对咳嗽的声音进行特征分析,准确识别出人们是否感染新冠病毒,其准确率高达98.5%,该有望直接集成到手机app端口,大大简化核酸检测的流程。

  图a表述为那些年为了一张火车票,提前守候在电脑面前,与黄牛不断斗智斗勇的过程~;图b表述为核酸检测具体过程;图c表述为MIT相关的研究成果,建立了咳嗽声音数据集,为训练深度学习模型提供前期基础。

文章介绍

  人工智能在医学领域具有广泛的应用,能够通过「咳嗽声」对肺炎、哮喘以及神经肌肉等多项疾病进行准确识别。近来MIT研究学者Jordi Laguarta对现有工作上进行了扩展,通过深度学习模型对咳嗽声音进行识别,并判断人们是否感染新冠病毒,具体见:COVID-19 Artificial Intelligence Diagnosis using only Cough Recordings。

  机理分析:新冠肺炎会对肺部造成一定的损伤,引起患者说话和咳嗽的声音发生细微改变。MIT相关学者基于该研究思路,通过传感器准确获取了人体器官的状态信息,并通过人工智能算法对患者是否感染新冠病毒进行辨别。

  图a表述了人们发出声音的过程:肺部(动力源)呼出的气流不断冲击声带,引发振动而产生相应的声音;图b表述了新冠病毒对肺部造成的影响,重症患者会出现肺部纤维化等;图c表述算法的核心框架,文章采用声带强度、情绪、肺和呼吸四组特征,对患者是否感染新冠病毒(COVID-19)进行诊断患者,具体过程为:1、通过梅尔频率倒谱系数(MFCC)对咳嗽声音进行预处理;2、生物特征层;3、通过卷积神经网络(CNN),辨别出患者声带强度、情绪以及肺部损伤等特征(具体采用三组ResNet50神经网络模型);4、依据相应的指标,对患者是否感染新冠病毒做出准确判据。

补充材料

  2020年7月份,钟南山团队与腾讯开展相应的合作,通过深度学习相关的技术,预测了COVID-19患者在一定时间内发展至危重的概率,能够合理的为病人进行早期分诊,相关成果发表在nature communication,具体文章见Early triage of critically ill COVID-19 patients using deep learning。

  图a表述为钟南山团队具体的研究成果,后期与腾讯公司开展合作,编写了相应的可视化界面,给大众提供了免费接口,非常不错的一件事情。


  附1、过去一段时间在人工智能方面做了一些简单的工作,主要有:1. 基于神经网络的微动疲劳寿命预测;2. 机器视觉在工业机器人中的应用;另一方面,前期推文中分享了部分人工智能相关的知识点,主要有:1. 有限元以及神经网络的相似性;2. 高华健学术报告会分享;3. 深度学习在断裂力学中的应用。

  附2、人工智能与医疗相结合有望突破传统的边界,然而新技术从研发到被市场广泛接受需要较长的周期;

  附3、人不管什么时候,要有敏锐的直觉,快速的行动力;完成要比完美更好一些~

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值