利用听觉与人口统计学信息的神经网络肺疾病诊断
机器学习
2020-11-30 v1 人机交互
摘要
肺疾病每年在全球影响数百万人的生命。近期 novel 肺部感染 COVID-19 的疫情爆发，比以往任何时候都更使研究界关注到呼吸系统问题的机器辅助诊断。因此，本文致力于利用机器学习对呼吸问题进行分类，并提出了一种框架，该框架利用数据集所提供的尽可能多的相关信息（本工作中为听觉与人口统计学信息）来提高诊断系统的灵敏度与特异度。首先，我们使用深度卷积神经网络（DCNNs）处理并分类一个公开发布的肺部听觉数据集，然后我们利用数据集中现有人口统计学信息，表明当在听觉信息联合人口统计学信息上训练时，肺部分类的准确率提高了 5%。由于人口统计数据可通过计算机视觉提取，我们建议使用另一个并行 DCNN 来估计被处理计算机所视的受试对象的人口统计学信息。最后，作为将医疗系统带到用户指尖的提议，我们测量了听觉 DCNN 模型在 NVIDIA TX2 开发板处理组件上的部署特性。
引用
@article{arxiv.2011.13194,
title = {Neural Networks for Pulmonary Disease Diagnosis using Auditory and Demographic Information},
author = {Morteza Hosseini and Haoran Ren and Hasib-Al Rashid and Arnab Neelim Mazumder and Bharat Prakash and Tinoosh Mohsenin},
journal= {arXiv preprint arXiv:2011.13194},
year = {2020}
}