基于深度学习与模态概率加权的新冠肺炎症状多模态检测

新冠肺炎大流行是21世纪最具挑战性的医疗危机之一。随着病毒在全球范围内持续传播，大部分努力都集中在疫苗研发和公众大规模免疫接种上。尽管每日新增病例数呈下降趋势，但新病毒突变和变异株的出现仍构成重大威胁。随着经济开始复苏、社会开始开放，人们重返办公楼、学校和商场，我们仍需具备检测并最大限度减少新冠肺炎传播的能力。新冠肺炎感染者可能表现出咳嗽、发热和呼吸短促等多种症状。许多现有检测技术将各症状视为同等重要。然而，已有研究表明某些症状比其他症状更为普遍。本文提出一种多模态方法，通过结合基于卷积神经网络的现有深度学习分类器以及我们考虑各症状普遍性的新型基于概率的加权函数来预测新冠肺炎。实验在现有数据集上针对所考虑的咳嗽、发热和呼吸短促三种模态进行。结果表明，与等权函数相比，使用我们的加权函数在新冠肺炎检测方面有明显改善。