基于时空机器学习架构的多模态呼吸系统疾病恶化预测技术
图像与视频处理
2021-04-06 v2 计算机视觉与模式识别
摘要
慢性阻塞性肺疾病和哮喘等慢性呼吸系统疾病是一场严重的健康危机，影响全球大量人群并对经济造成重大负担。当前评估呼吸系统症状进展的方法要么主观且不准确，要么复杂且繁琐，且未纳入环境因素。由于缺乏预测性评估和早期干预，意外的病情恶化可能导致住院和高额医疗费用。本工作提出了一种基于新型时空机器学习架构的多模态解决方案，用于预测慢性阻塞性肺疾病等呼吸系统疾病的恶化风险，实现实时准确的呼吸事件检测，并追踪局部环境与气象数据及趋势。所提出的新型机器学习架构融合了卷积神经网络和循环神经网络的关键特性，能够提取编码在呼吸声中的空间和时间特征，从而实现症状的准确性分类与追踪。结合环境与气象传感器数据以及基于回顾性医学研究的预测模型，该方案可评估呼吸系统疾病恶化并提供早期预警。本研究将通过早期医疗干预改善患者生活质量，从而降低住院率和医疗费用。
引用
@article{arxiv.2103.03086,
title = {A Multi-Modal Respiratory Disease Exacerbation Prediction Technique Based on a Spatio-Temporal Machine Learning Architecture},
author = {Rohan Tan Bhowmik},
journal= {arXiv preprint arXiv:2103.03086},
year = {2021}
}
备注
Updated Title, References, and Acknowledgements