MISY 移动信息系统 1875 - 905 x 1574 - 017 x Hindawi 10.1155 / 2021/9989237 9989237 研究文章 鉴定肺炎疾病应用智能计算框架基于深度学习和机器学习技术 https://orcid.org/0000 - 0001 - 6224 - 392 x 默罕默德 纱线 1 https://orcid.org/0000 - 0001 - 9520 - 330 x Alshehri 穆罕默德Dahman 2 https://orcid.org/0000 - 0003 - 1969 - 6389 Alenazy 威尔默罕默德 3 https://orcid.org/0000 - 0001 - 6507 - 2118 Vinh黄平君 Truong 4 https://orcid.org/0000 - 0002 - 0967 - 1885 Alturki 瑞安 5 乌斯曼 默罕默德 1 计算机科学部门 马尔丹阿卜杜勒·瓦利汗的大学 马尔丹 开伯尔-普赫图赫瓦省 巴基斯坦 awkum.edu.pk 2 计算机科学部门 计算机和信息技术学院 塔伊夫大学 邮政信箱11099 塔伊夫21944 沙特阿拉伯 tu.edu.sa 3 部门的自我发展能力 CFY院长职沙特国王大学 利雅得 沙特阿拉伯 4 信息技术部门专业化 把大学 Hoa Lac高科技园区 河内 越南 5 部门信息科学 大学计算机和信息系统 嗯Al-Qura大学 麦加 沙特阿拉伯 uqu.edu.sa 2021年 18 5 2021年 2021年 23 3 2021年 30. 4 2021年 7 5 2021年 18 5 2021年 2021年 版权©2021纱线穆罕默德et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

肺炎是一种很常见的和致命的疾病,需要确定初始阶段为了防止病人有这种疾病更大的伤害,帮助他/她在拯救他/她的生活。各种技术用于肺炎的诊断包括胸部x光,CT扫描,血培养、痰培养、液体样品,支气管镜检查,脉搏血氧仪。医学图像分析起着至关重要的作用在即等各种疾病的诊断,COVID-19,肺炎等,被认为是吉祥的研究领域之一。分析胸部x光图像准确,需要专家放射科医师拥有所需的领域的专业知识和经验。据世界卫生组织(世卫组织)报告,世界上三分之二的人仍然没有访问放射科医生,以诊断疾病。本研究提出了一个DL框架诊断肺炎疾病在一个高效和有效的方式。各种深卷积神经网络(DCNN)转移学习技术,如AlexNet SqueezeNet, VGG16, VGG19, Inception-V3用于从胸部x光图像中提取有用的特性。在这项研究中,几个机器学习(ML)分类器是利用。拟议的系统训练和测试在胸部x光片和CT图像数据集。为了检验该系统的稳定性和有效性,不同的性能已经利用措施。 The proposed system is intended to be beneficial and supportive for medical doctors to accurately and efficiently diagnose pneumonia disease.

 塔伊夫大学 TURSP-2020/126 1。介绍

慢性病和传染病已经大量的人的生活,创造了许多危机的国家,这对一个国家需要很长时间恢复这两个重大疫情造成的损失。一些疾病,提升在特定时间段内的人口是称为暴发和流行 1]。流行意味着更多的病例的发病率在特定时间比预期在一个地区,国家,或一组人。这个词爆发被认为是地方和不会引起人们的恐慌。

肺炎是一种传染性的疾病,只要能气囊在单一或两肺引起的真菌,细菌和病毒( 2]。此外,肺肺泡影响非常严重的肺部感染,小气球形状的袋子底部的细支气管,如图 1。有几种类型包括肺炎支原体肺炎、病毒性肺炎、细菌性肺炎、和其他类型的肺炎。由于细菌或真菌细菌性肺炎发生。各种症状与细菌性肺炎的发生如身体虚弱、年老、疾病、营养不良、免疫功能低下。对所有年龄段的人来说是很危险的,但更危险的吸烟者,酗酒者,最近的手术病人,哮喘,病毒感染,人们有一个脆弱的免疫系统。不同的病毒导致诸如流感病毒性肺炎和负责几乎所有肺炎病例的1/3。与病毒性肺炎、细菌性肺炎的几率增加,一个是在更大的风险也有细菌性肺炎时受到病毒性肺炎。也被称为非典型肺炎和支原体肺炎是由细菌引起的,通常会影响所有年龄的人。大叶性肺炎是指通常会影响一个或多个叶/部分的五叶的肺(2叶在左在右)和3叶。支气管肺炎就是到达支气管肺炎。 It is considered to be the most important and dangerous type of pneumonia all over the world, mostly found in children younger than 5 years, and causes death (approximately 12.9% of annual child deaths) [ 3, 4]。肺炎有几个症状包括发烧、咳嗽产生粘液(绿色、黄色或血腥),squatness上气不接下气,大量出汗,疲劳、颤抖,胸痛(会导致咳嗽和呼吸),食欲不振,嘴唇和指甲的颜色变成蓝色,和混乱(晚年人)。它被认为是更危险的成人,是疾病的主要原因之一和世界各地尤其是在中国到期 5- - - - - - 7]。

肺炎感染和正常的肺。

在2017年,超过850000人死于肺炎。由于肺炎死亡比率非常高在南亚和撒哈拉以南非洲地区。根据2017年发表的一份报告,死亡比率在五个国家,即。,巴基斯坦,India, Ethiopia, Nigeria, and the Republic of Congo, was more than half of the deaths from childhood pneumonia and was called the ultimate disease of poverty [ 8]。这表明由于肺炎死亡率有很强的相关性与一个国家的收入。在日本,肺炎是到期的第三大原因在老人们随着年龄≥80岁( 9]。大约有100万人被诊断为肺炎疾病和大约50 k人死于这种疾病在美国这样的国家(美国)。在葡萄牙,在肺癌、肺炎是第二个最危险的疾病,由于呼吸问题导致的死亡率( 10]。由于肺炎疾病的死亡率从1990年到2017年,所有年龄段的人图所示 2。肺炎是一种可治愈的疾病和不从一个国家传播到另一个地方;其传输通常是在当地社区和可以通过基本卫生控制措施( 11]。

从肺炎死亡率在世界各地按年龄从1990年到2017年( 12]。

在21世纪的开端,有几个冠状病毒通过物种栅栏在人类产生致命的肺炎。为了知道这些致命的流行病的起源和发展,专家们需要检查结构的病毒,这种病毒如何导致感染的方法。此外,这样做将有助于专家在找到合适的解决方案和提供适当的治疗和可能发展疫苗( 13]。一个简短的总结过去流行的和历史的各种类型的冠状病毒(即,非典,COVID-19),随着时间的推移发生表表示 1。

随着时间的推移过去疫情发生。

流行的名字 持续时间 接近死亡
安东尼瘟疫 170 - 180 500万年
布拉格的查士丁尼 541 - 543 ~几百万
日本天花爆发 734 - 736 120万年
黑死病 1349 - 1353 2亿年
天花爆发 1520 + 56 -万
意大利瘟疫爆发 1628 - 1630 100万年
黄热病(美国) 1886 - 1891 150万年
西班牙流感 1918 - 1920 45 - 50几百万
第三瘟疫(中国和印度) 1985 + 1200万年
亚洲流感 1959 - 1960 120万年
艾滋病毒/艾滋病 1980 -至今 实现了几百万
“非典” 2002 - 03 700 - 800
猪流感 2009 - 10 020万年
埃博拉病毒 2014 - 2017 10000 - 11000
即 2015 -至今 860年
COVID-19 (2019)- 12/04/2021 294万年

严重急性呼吸系统综合症冠状病毒(冠) 14)是一种严重的呼吸疾病问题,由于冠状病毒和有几个迹象像squatness上气不接下气,温度,一般咳嗽,肺炎。非典首先出现在2002年在中国广东省,遍布世界。约8到8.5 k人受到这种疾病导致750 - 800人死亡( 10, 15],致命率约为10%。预计这种疾病源自蝙蝠( 16]。非典型性肺炎的四大症状和流感几乎是相同的如头痛、发烧、发冷、疲劳,有时腹泻。几天后,一些其他症状如高温发热、气短、干咳也开始出现( 17]。

中东的呼吸系统综合症冠状病毒(MERS-Cov)呼吸是一种病毒感染产生的病毒( 18),于2012年首次出现在中东,沙特阿拉伯( 19, 20.]。其他一些例即病被发现在约旦( 21)和卡塔尔( 22),遍布世界。即是一种人畜共患病毒被发现主要在骆驼和可以在人类之间传播和骆驼。根据世界卫生组织的报告,人类是由于接触影响影响的单峰骆驼骆驼( 23, 24]。即有各种症状包括呼吸dumpiness、温度、腹泻、咳嗽、头痛、呕吐、恶心、胸部疼痛,喉咙感染( 22, 25, 26]。

如今,世界正面临着一个危险的大流行发生由于病毒和COVID-19命名,承认2019年12月,第一次在中国,武汉省,导致很多人的死亡 27- - - - - - 30.]。COVID-19发现的冠状病毒是一种比其他类型更危险和致命的( 31日]。这种疾病的早期病例相关的海鲜市场在武汉,中国,活的动物在哪里卖,被认为是一种人畜共患这流行的起源 32]。病毒从一个人传播到另一个在三个方面:(一)互相接触,(b)密切接触(人与人之间的),和(c)汽化器传输( 33]。COVID-19最危险的事是,它仍然在潜伏期长达两周(2周的潜伏期)没有任何症状。COVID-19各种症状,如呼吸急促,高温、发烧、疲劳、疼痛、干咳、咽痛、恶心、和流感,有些人还会有腹泻 34]。各种技术研究来确定这种疾病包括胸部x光,CT扫描,血培养、痰培养、液体样品,支气管镜检查,脉搏血氧仪。

医学图像分析起着至关重要的角色在即等各种疾病的诊断,Covid-19,肺炎,等,和被认为是一个吉祥的方法( 35, 36]。因此,检测肺炎,胸部x光图像是由不同的研究人员使用。此外,准确分析胸部x光图像,需要专家放射科医师拥有所需的领域的专业知识和经验。据世界卫生组织(世卫组织)报告,世界上三分之二的人仍然没有访问放射科医生,以诊断疾病。为了克服上述问题,本研究提出了一种智能计算框架基于ML和DL检测肺炎疾病在一个高效和有效的方式。我们使用各种深卷积神经网络(DCNN)转移学习技术,如AlexNet SqueezeNet, VGG16, VGG19, Inception-V3从图像数据中提取有用的特性。6毫升等分类器再邻国(资讯),逻辑回归(LR)、支持向量机(SVM),朴素贝叶斯(NB)演算法(AB),研究了人工神经网络(ANN)和诊断一个人是否患了肺炎。拟议的模型训练和测试在胸部x光片和CT图像数据集( 37]。提出了框架的性能测试在很多性能措施如准确性、特异性、敏感性, F测量、AUC-score马修相关系数(MCC),和ROC曲线。建议系统预计将支持医疗从业者为了有效地诊断肺炎疾病。

剩下的纸是组织如下。部分 2代表了文献之回顾。在本研究中使用的材料和方法部分中讨论 3。部分 4演示结果和讨论,最后,我们得出结论我们的论文 5。

 2。文献综述

肺炎是一种致命的疾病,对儿童和老年人人更危险。Toğacar et al。 38)使用x射线图像识别的肺炎的肺。他们利用CNN作为特征提取器利用现有型号的CNN VGG-16和AlexNet等。这些模型从图像中提取大量的特性;深的数量减少的特性,他们使用特征选择算法。此外,他们应用古典毫升分类器,DT, LDA和线性回归的诊断肺炎和取得了良好的结果,显示DL的重要性和分类算法。梁和郑 39)开发了一个框架基于DL儿童肺炎的诊断使用一个图像数据集,取得了令人满意的结果。贾斯瓦尔et al。 40)提出了一个DL-based肺炎的诊断方法使用胸部x光图像。他们提出的分类/检测模型是基于Mask-RCNN,取得了一些好的结果显示模型的鲁棒性和有效性。通用电气等。 41)研究肺炎疾病的预测通过ML (SVM、资讯和DT)和DL (MLP和RNN)模型的精度,取得了可喜的成果。Sirazitdinov et al。 42)提出了一个自动系统预测的肺炎在胸部x光检查使用ML算法。他们使用两种类型的CNN,即。,Mask R-CNN and RetinaNet, and achieved satisfactory results.

Behzadi-Khormouji et al。 43基于DL)提出了一个方法,具体地说,CNN通过胸部x光图像和准确性方面产生了很好的效果。为了提高模型的准确性,他们使用DCNN pretrained ImageNet数据。此外,他们提出了一个三步预处理技术,以提高模型的通用性。Bhandary et al。 44)提出了另一个医疗框架基于DL对癌症的诊断和检测和肺炎。他们用两种DL的方法,第一个是AlexNet修改。设想分离和分类胸部x射线(图像数据集)分为正常和异常类通过使用支持向量机,并验证了该方案的性能pretrained DL (VGG16和AlexNet)转移函数。另一方面,第二种方法实现了一个手工制作的合成和学习功能的人为了增加肺癌在估值的准确性。

医学影像在众多疾病的识别中扮演着重要部分( 45, 46]。医学图像分类是一个重要和关键任务完成。为了胸部x射线图像进行分类和诊断肺炎,这项研究描述了一个广泛的研究调整最新版本的深卷积神经网络(DCNN)架构(CNN, AlexNet、SqueezeNet VGG16, VGG19,和《盗梦空间》V3)对特征提取和ML分类算法的分类肺炎病人从一个正常的人。

 3所示。材料和方法

下面的小节描述了资源使用和随后的方法开展研究。

3.1。数据集

一个自动化的发展和智能系统广泛依赖于数据集的问题。这意味着问题特定的数据集有一个非常高的影响一个智能模型的效率。考虑到数据集的意义,胸部x光片和CT图像数据集使用网上在UCI Kaggle数据库。总共5856张图片的数据集包含两类/类,即。、肺炎和正常图像。图像数据集包含1583正常和4273肺炎。数据集分布在两部分(培训和测试),70%的数据用于训练模型,而30%的数据用于测试和验证模型。图 3演示了一个示例类别/类的胸部x光图像,图 3(一个)代表一个正常的图像,图 3 (b)代表一个人的胸部x光片有肺炎。

胸部x光图像的一个例子(a)正常,(b)肺炎。

 3.2。提出系统的方法

提出系统的主要目的和目标来诊断一个人是否有肺炎或不是在早期阶段通过胸部x光图像,以防止更大的伤害。在这项研究中,最近的DCNN架构调整版本的基础上(CNN, AlexNet、SqueezeNet VGG16, VGG19,和《盗梦空间》V3)用于从图像中提取有用的特性。使用几种预处理技术,为了显示数据分类模型的标准化形式。各种毫升分类模型等资讯,支持向量机,LR, NB, AB,安被用于这项研究。不同的性能评估指标的计算来衡量和跟踪每个利用毫升模型的性能。Keras深度学习框架部署使用TensorFlow后台的建设和培训我们的提出的系统。使用的库和包的实现包括TensorFlow, Keras, Sklearn, Matplotlib Seaborn, NumPy。所有的实验都使用水蟒的Jupyter笔记本执行集成开发环境(IDE)。图 4代表提出的框架体系。

提出了肺炎识别框架。

 3.3。数据预处理

数据预处理是一个至关重要的技术用于提供数据以有组织的方式分类模型,然后在使用规范化训练和测试数据。视觉信息质量的提高(去除噪声,增加对比度,删除高或低频率,等等)的每个输入图像,这些图像预处理的帮助下许多技术被用于分类器之前。强度归一化等预处理技术,对比有限的自适应直方图均衡化(CLAHE)和Min-Max规范化进行了调查研究。强度归一化、CLAHE Min-Max正态分布是有趣和重要的预处理技术在图像处理应用程序。图 5代表应用后的正常和图像预处理技术。

图像预处理技术:应用之前和之后(a), (b)正常化,和(c) CLAHE。

看数据集代表两类,即。,pneumonia and normal images, almost 75% of the images represent pneumonia and the remaining 25% describe normal images which means that the dataset is imbalanced. To resolve the issue of unbalanced dataset and overfitting and to increase the accuracy of the models, various augmentation techniques have been used. The data augmentation techniques used include geometric transformations like rotations, zooms, rescale, shift, flips, and shears.

 3.4。CNN的基本架构

CNN是一个流行的深度学习模型尤其用于图像分类问题。它通常由五层组成,包括输入层、卷积层、汇聚层,完全连接层和输出层。CNN的实际援助有参数大大减少所花费的时间少了学习和减少训练模型所需的数据量。此外,可以训练CNN的端到端从图像特征的提取和选择,最后,可以用来预测或分类的图像。知道网络似乎有点难理解或进程一个图像,但功能征服在网络的各层执行更好的匹配与人类特性( 47]。图 6代表了CNN使用模型的基本架构。

CNN模型的基本架构。

CNN架构用于研究中的实验工作有以下属性:

输入层:使用x射线图像作为输入,并在输入层提供。图像尺寸保存 244年 ∗ 244年 。

卷积卷积层:我们使用3层 3 ∗ 3 过滤器尺寸和填充设置为零。

池层:我们使用max池计算每个特性的最大值在每一块地图。max-pooling大小设置为2×2步使用的值是2.0。

完全连接层:这一层用于拟议的架构利用外层乙状结肠激活函数。

输出层输出层:给我们预测的结果是否有肺炎的人。

3.5。深度学习(DL)架构

DL架构广泛应用于图像处理特别是在医疗诊断各种疾病。这些DL技术从图像中提取有用的特性和现在他们的模型进行进一步的调查。在这里,在我们的研究中,我们使用五个重要DL架构如AlexNet VGG16, VGG19 Inception-V3, SqueezeNet。简要描述了DL架构给出以下。

3.5.1。AlexNet

AlexNet是CNN的类型,包括各层等输入,卷积,马克斯池、致密层和输出层,它的基本构建块。在2012年,它获得了ILSVRC竞争。它解决了输入图像的图像分类问题是1000种不同的类,这些类的输出是一个矢量。的 kth元素的输出向量被认为是输入图像属于的可能性 k类。可以指出,整个输出向量的概率之和总是等于1。AlexNet以RGB图像作为输入的大小 256年 ∗ 256年 ,这意味着所有的图像训练和测试组需要的大小 256年 ∗ 256年 。如果输入图像失败在匹配标准的图像大小,那么它需要转换成标准的尺寸,也就是说, 256年 ∗ 256年 使用前培训网络。如果使用的输入图像是灰度图像,然后转换为RGB三路单通道通过复制到RGB图像。AlexNet改变从CNN的体系结构模型,用于计算机视觉问题,远远大于CNN。AlexNet参数有6000万和650000个神经元,花费很长的时间进行训练。

 3.5.2。VGG-16和VGG-19

VGG(视觉几何组)是一种CNN架构首次提出在2014年由两位研究者Simonyan和Zisserman [ 48]。VGG架构赢得了ILSVR (ImageNet)在2014年的竞争。这种架构提高了AlexNet架构取代大型kernel-sized过滤器,即。,在第一个卷积(11层第二卷积和5层)与多个小 3 ∗ 3 kernel-sized卷积层一个接一个地和过滤器 2 ∗ 2 在max-pooling层。最后,它有两个完全连接层的激活函数softmax /乙状结肠输出。著名的VGG-16和VGG-19 VGG模型。VGG-16模型由16层,而VGG-19模型包含19层。两个模型之间的主要区别是,VGG-19包含一个层,在这三个回旋的街区。

 3.5.3。Inception-V3

初始模型是一种深层神经网络(款)体系结构由一个名叫Szegedy研究员等人在2014年首次被任命为《盗梦空间》的模型( 49]。《盗梦空间》的结构模型和传统的CNN模型不同于彼此的方式初始模型是《盗梦空间》即研磨块相同的输入张量与多个过滤器和连接他们的结果。有各种各样的版本的初始模型。2015年,Szegedy et al。 50)提出了一个名为Inception-V3初始模型的新版本,这是一个早期版本的初始模型,改进后的版本。,Inception-V1 Inception-V2,拥有多个参数。Inception-V3总共包含了24 m参数。进步在Inception-V3如下:(一)因式分解的“ n× n“卷积成对称分布,即。1× n和 n×1,(b)它5×5旋转因式分解成两个3×3的隆起,和(c)它取代7×7旋转一系列3×3的隆起。实际上,它由一块卷积层以并行的方式排列,每一层由不同大小的过滤器1×1、3×3,分别和5×5。此外,3×3马克斯池也执行。输出连接和发送到下一个初始模块。

 3.5.4。SqueezeNet

SqueezeNet深神经网络是一种由斯坦福大学的研究人员开发的,并在2016年2月22日发布的第一次。这是一个类型的CNN架构组成的18层,特别是用于计算机视觉和图像处理。作者的主要目标和目标发展中SqueezeNet创建一个小的神经网络,由参数较少,很容易融入计算机内存(需要更少的内存),并且可以更容易通过计算机网络传输(需要较少的带宽)。首先,这个架构实施的最初版本的DL框架命名的咖啡。很短的一段时间后,研究人员开始使用这个架构的开源DL框架。SqueezeNet首先标记在一篇论文中提到与AlexNet相比,它实现了AlexNet水平精度与“少50 x”参数。AlexNet包含240 MB参数而SqueezeNet由仅5 MB的参数。SqueezeNet和AlexNet是两个不同的架构,款,他们只有一个共同点,即。时,其准确性评估ImageNet图像数据集。

 3.6。机器学习(ML)分类算法

各种毫升分类算法研究了诊断一个人是否有肺炎疾病或不是。每个分类算法都有自己的重要性,其意义从应用程序到应用程序。摘要6遥远的分类算法的性质,即资讯,支持向量机,LR, NB, AB,应用和安,为了选择最好的和广义预测模型。

 3.7。性能的措施

为了追踪每个分类器的性能在这项研究中,使用几个性能措施利用如准确性、特异性、敏感性, F测量,马修相关系数(MCC), AUC-score, ROC曲线。所有的性能指标计算通过使用混乱表如表所示 2。 (1) 精度 = TP + TN TP + TN + 《外交政策》 + FN ∗ One hundred. , 特异性 = TN TN + 《外交政策》 ∗ One hundred. , 灵敏度 = TP TP + FN ∗ One hundred. , F 1 − 测量 = 2 ∗ 精度 ∗ 回忆 精度 + 回忆 , 世纪挑战集团 = TP ∗ TN − 《外交政策》 ∗ FN TP + 《外交政策》 TP + FN TN + 《外交政策》 TN + FN 。

混淆矩阵。

预测(−) 预测(+)
实际(−) TN 《外交政策》
实际(+) FN TP

所有的上述公式进行混淆矩阵由以下基本组件:

真阳性(TP):这意味着模型预测是积极和事实上人肺炎。因此,主题是正确的诊断肺炎模型。

真阴性(TN):这意味着模型预测是负的,事实上没有肺炎疾病的人。因此,一个健康的人正确地诊断分类模型。

假阳性(FP):这意味着模型做了一个错误的预测分类肺炎病人健康的人。这也被称为1型错误。

假阴性(FN):这意味着模型做了一个错误的预测分类肺炎病人健康。这也被称为2型错误。

4所示。结果与讨论

各种毫升分类算法的仿真结果通过使用不同的DL架构如AlexNet SqueezeNet, VGG-16, VGG-19, Inception-V3将在本节中讨论。这些DL架构,也称为转移学习技术,从图像中提取有用的特性是非常有用的分类正常和肺炎患者在一个有效的方法。所有利用毫升分类器的性能。,KNN, SVM, LR, NB, AB, and ANN, was checked on the pneumonia chest X-ray dataset on full feature space generated by the transfer learning techniques. For measuring the performance of ML classifiers, different performance measures are used. In addition, preprocessing techniques are also applied to all features before being used by the classification algorithms.

4.1。卷积神经网络(CNN)的性能分类算法

本节代表实验结果获得的CNN分类算法。我们执行多个实验基本CNN模型通过使用各种数字时代。首先,我们使用100时代,然后150时代,最后,我们用200时代,时代的准确性增加0到10时代,和之后,变得稳定,保持92.30%。图 7代表中华民国曲线通过美国有线电视新闻网获得的分类器。

ROC曲线的卷积神经网络(CNN)分类算法。

 4.2。所有分类器使用AlexNet体系结构的性能

这部分是通过所有的仿真结果进行了利用毫升分类学习算法使用AlexNet传输技术。表 3显示实验结果获得通过的所有利用6毫升分类模型。

所有分类器的性能使用AlexNet传输学习架构。

分类模型 精度 灵敏度 特异性 AUC F1-score 世纪挑战集团
然而,( k= 5) 94.10 95.40 90.08 96.76 0.94 0.73
支持向量机(rbf) 51.13 54.52 50.98 53.45 0.54 0.51
支持向量机(线性) 88.65 92.98 72.53 88.94 0.85 0.70
AB 89.72 92.63 80.74 86.62 0.89 0.73
注 87.89 87.56 88.62 92.68 0.88 0.72
LR 95.94 96.98 91.40 98.42 0.95 0.89
安 96.44 96.82 92.62 98.84 0.96 0.91

表 3显示所有的安数量远远超过其他分类器的性能测量。安的分类精度达到96.44%,特异性为92.62%,敏感性为96.82%,如表所示 3。LR表现很好,取得了95.94%的准确性,特异性为91.40%,敏感性为96.98%,第二站在竞争性能如表所示 3。支持向量机与内核= " rbf "站在去年在这方面比较其他分类算法的分类精度达到51.13%,如表所示 3。

图 8显示所有6毫升分类算法的性能使用功能通过DL AlexNet架构从图像中提取数据。从图 8安,很明显,远超其他分类算法的性能措施,支持向量机与内核=“rbf”和最后一站在性能表现不佳的竞争。

所有分类器的性能使用AlexNet传输学习技术。

图 9显示了 F1-score和MCC分数的所有利用6毫升分类算法使用AlexNet DL架构。

F1-score MCC的学习分类器使用AlexNet传输技术。

图 10说明了利用ROC曲线的ML学习分类器使用AlexNet传输架构。

ROC曲线的6毫升学习分类器使用AlexNet传输技术。

从数据 9和 10,观察安产生了很好的效果,比其余的分类器的性能的措施。

 4.3。所有分类器使用SqueezeNet体系结构的性能

实验结果和表演的所有利用6毫升分类器,利用SqueezeNet转移学习技术,将在本节讨论。转移学习技术用于从图像中提取有价值的特性,然后现在的分类器进行分类。表 4显示所有6毫升分类算法的性能。

所有分类器的性能使用SqueezeNet传输学习架构。

分类模型 精度 灵敏度 特异性 AUC F1-score 世纪挑战集团
然而,( k= 5) 95.16 96.44 91.05 97.80 0.95 0.73
支持向量机(rbf) 52.03 55.43 51.88 54.33 0.55 0.52
支持向量机(线性) 88.71 93.96 73.37 89.85 0.86 0.70
AB 90.12 93.13 81.43 87.34 0.90 0.74
注 88.51 88.23 89.26 93.20 0.89 0.73
LR 96.24 97.62 91.94 99.20 0.96 0.90
安 96.97 97.52 92.99 99.40 0.97 0.92

表 4表明安表现优异地的所有性能措施相比其他的分类模型。安征服了分类精度为96.97%,特异性为92.99%,敏感性为97.52%,如表所示 4。LR执行得很好,取得了分类精度为96.24%,特异性为92.99%,敏感性为97.52%,第二站在竞争性能如表所示 4。支持向量机与内核= "线性"最后一次站在这方面比其他分类器实现52.03%所表的准确性 4。

图 11意味着所有利用6毫升分类算法的性能使用功能通过DL SqueezeNet架构从图像中提取数据。从图 11安,很明显,远超其他分类算法的性能措施,支持向量机与内核=“rbf”与其他分类器相比,表现不佳。

所有分类器的性能使用SqueezeNet传输学习技术。

图 12显示了 F测量和MCC分数的所有利用毫升分类模型学习使用SqueezeNet传输架构。从图 12,观察安比所有其他的模型 F通过实现测量和MCC分数 F1-score分别为0.97和MCC得分0.92。

F1-score MCC的学习分类器使用SqueezeNet传输技术。

图 13说明了所有6毫升的ROC曲线分类算法在胸部x光片和CT图像数据集使用SqueezeNet传输学习技术。

ROC曲线的6毫升学习分类器使用SqueezeNet传输技术。

 4.4。所有分类器使用VGG16体系结构的性能

实验结果和表演的所有6毫升分类算法使用VGG-16传输学习本节中描述的技术。表 5通知所有6个分类器的性能使用VGG-16架构。

所有分类器的性能使用VGG16传输学习技巧。

分类模型 精度 灵敏度 特异性 AUC F1-score 世纪挑战集团
然而,( k= 5) 95.41 96.00 93.66 98.32 0.95 0.88
支持向量机(线性) 81.72 81.23 82.99 87.33 0.83 0.59
支持向量机(rbf) 50.30 86.24 47.42 69.30 0.70 0.35
AB 90.12 93.57 80.01 86.82 0.90 0.74
注 86.50 84.41 92.69 94.10 0.87 0.70
LR 96.82 97.80 94.03 99.51 0.97 0.92
安 96.56 97.52 93.28 99.22 0.97 0.91

从表 5,很明显,LR表现出色的整个性能相比其他分类模型。LR达到96.82%的精度,灵敏度为97.80%,特异性94.03%,如表所示 5。第二个最好的模型在使用VGG16架构是安达到96.56%的准确度,特异性为93.28%,敏感性为97.52%。再次,SVM与内核= " rbf "表现不佳相比其他分类模型,取得了50.30%的精度如表所示 5。

所有6毫升分类模型的性能,使用VGG-16传输学习技术,如图所示 14。

学习表演的分类器使用VGG16传输技术。

图 15显示了 F1-score和MCC的结果6毫升分类学习算法使用VGG-16传输架构而ROC曲线的所有利用毫升分类模型在图表示 16。这是观察到的数据 15和 16LR表现优异的这些措施相比其他分类器。最低性能观察SVM与内核=“rbf”和最后一次站在这个竞争。

F1-score MCC的学习分类器使用VGG16传输技术。

ROC曲线的6毫升学习分类器使用VGG16传输技术。

 4.5。所有分类器使用VGG19体系结构的性能

本节展示了性能和实验结果通过所有6毫升分类模型学习使用VGG-19传输技术。转移学习技术从图像中提取有用的特性,然后现在的分类器进行进一步处理。所有6毫升分类模型的性能提出了表 6。

所有分类器的性能使用VGG19传输学习技巧。

分类模型 精度 灵敏度 特异性 AUC F1-score 世纪挑战集团
然而,( k= 5) 96.10 96.09 94.11 97.89 0.96 0.89
支持向量机(线性) 84.70 82.20 84.89 87.55 0.85 0.61
支持向量机(rbf) 50.32 84.30 48.80 69.60 0.69 0.36
AB 92.42 90.27 82.10 86.92 0.91 0.75
注 88.40 86.33 93.09 94.60 0.89 0.72
LR 96.92 97.60 94.79 98.91 0.97 0.91
安 97.01 97.62 93.80 99.12 0.97 0.92

表 6表明,ANN分类模型提供了良好的性能,它与其他模型进行比较。安分类精度达到97.01%,敏感性97.62%,特异性93.80%。灵敏度说明分析测试是积极的和人有肺炎,而特异性表明,诊断测试是负面的和没有肺炎和健康的人。LR也表现良好,取得了良好的效果,也就是说。,an accuracy of 96.92%, sensitivity of 97.60%, and specificity of 94.79%. Again, SVM with kernel = “rbf” shows the lowest performance by attaining the accuracy of 50.32%, specificity of 48.80%, and sensitivity of 84.30% as represented in Table 6。

图 17展示所有6毫升分类模型的性能使用VGG-19传输学习架构。安超越所有其他分类器的准确性、特异性和特异性。支持向量机与内核= " rbf "显示了最低性能如图 17。世纪挑战帐户集团和 F1-score所有6毫升分类算法的结果使用VGG-19传输学习架构图描述 18。从图 18,很明显,安中表现出色,而支持向量机内核=“rbf”表现不佳。

学习表演的分类器使用VGG19传输技术。

F1-score MCC的学习分类器使用VGG19传输技术。

图 19演示了所有6毫升的ROC曲线分类算法在胸部x光片和CT图像数据集使用VGG-19转移学习技术。

ROC曲线的6毫升学习分类器使用VGG19传输技术。

 4.6。所有分类器使用Inception-V3体系结构的性能

的性能和实验结果获得通过所有6毫升分类器使用Inception-V3 DL架构将在本节讨论。所有6毫升分类模型的性能使用Inception-V3体系结构见表 7。

所有分类器的性能使用Inception-V3传输学习技巧。

分类模型 精度 灵敏度 特异性 AUC F1-score 世纪挑战集团
然而,( k= 5) 94.20 94.24 94.03 97.80 0.94 0.85
支持向量机(线性) 85.02 92.03 86.41 87.33 0.85 0.78
支持向量机(rbf) 50.30 84.23 48.39 50.20 0.74 0.33
AB 87.40 91.33 78.91 83.62 0.87 0.67
注 91.50 90.89 93.13 95.90 0.92 0.80
LR 97.08 97.90 94.33 99.52 0.97 0.92
安 97.19 97.88 94.92 99.53 0.97 0.92

表 7表明,ANN分类模型在使用性能方面表现很好措施相比其它模型。安的分类精度达到97.19%,敏感性97.88%,特异性94.92%。LR也表现出良好的性能和分类精度达到97.08%,敏感性为97.90%,特异性为94.33%。再次,SVM与内核= " rbf "显示最低的性能比其他分类模型如表所示 7。

所有6毫升分类模型的性能使用Inception-V3传输学习技术是显示在图 20.。ANN分类模型优于其他分类器的准确性、特异性和特异性。SVM与内核= " rbf "表现不佳,仍在最后位置的分类器性能的竞争。

学习表演的分类器使用Inception-V3传输技术。

世纪挑战帐户集团和 F1-score所有分类算法使用Inception-V3 DL架构图描述 21,而中华民国曲线的分类算法使用Inception-V3 DL架构图中演示了胸部x光图像 22。

F1-score MCC的学习分类器使用Inception-V3传输技术。

ROC曲线的6毫升学习分类器使用Inception-V3传输技术。

所有五个利用DCNN转移学习技术的性能和6毫升分类算法使用不同的绩效评估指标评价了如上所述。从上述结果,很明显,Inception-V3和安中表现出色,获得了分类精度为97.19%,敏感性为97.92%,特异性为94.92%,AUC为99.53%, F测量是0.97,MCC为0.92。LR连同Inception-V3表现非常好,获得了分类精度为97.08%,敏感性为97.90%,特异性为94.33%,AUC为99.52%, F测量的0.97和0.92的MCC分数和第二站在这方面。支持向量机的性能与内核= " rbf "是最差的在所有的分类算法。

此外,提出了系统的比较研究进行之前的ML和DL方法在过去( 39, 51- - - - - - 59]。简要描述的方法和精度达到表中演示了在使用这些方法 8。

提出了系统的比较研究和之前的方法。

出版物 方法 精度(%)
Kermany et al。 51] 卷积神经网络(CNN) 92.81
Stephen et al。 52] DL模型4 conv-layers密度和2层 93.71
Saraiva et al。 53] DL模型6 conv-layers密度和3层 95.29
梁和郑 39] DL密度模型和48 conv-layers 2层 96.01
吴et al。 54] CNN +随机森林 96.70
该方法 智能框架(Inception-V3 +安) 97.19

表 8演示了一个简短的摘要的方法和分类精度达到通过这些技术。

 5。结论

肺炎是一种感染性疾病和非常危险的年龄和是专门为吸烟者更危险,酗酒者,最近的手术病人,哮喘患者,免疫系统低下的人,拥有一个不到5岁的孩子。肺炎可浓缩造成的死亡比率,如果病人诊断在初始阶段,按时提供药物和治疗。本研究提出了一种毫升,DL-based智能预测系统的诊断肺炎。胸部x光片和CT图像数据集用于训练和测试的系统。为了提高质量的每个输入图像的视觉信息,各种强度归一化等预处理方法,CLAHE, Min-Max正常化被用于这项研究。5调整版本的DL转移学习技术,如AlexNet SqueezeNet, VGG-16, VGG-19, Inception-V3利用从x射线图像中提取有用的特性,然后提出的分类器进行进一步处理。六个命令式毫升分类算法如资讯、NB,安,支持向量机,LR, AB是用来检查系统的效率。众多绩效评估措施,包括分类精度、灵敏度、特异性, F1-score, AUC, MCC,中华民国是用来测量提出了系统的性能。从实验结果可以看出Inception-V3转移学习技术和安中表现出色,并获得最高的分类精度为97.19%。本研究的未来的工作包括开发更多的优化毫升和DL算法,可以显著提高分类结果。此外,开发一个IoT-based实时诊断肺炎疾病也是一个未来的研究工作。

 数据可用性

所有数据是可用的。

 的利益冲突

作者宣称没有利益冲突。

 确认

本文得到了塔伊夫大学的研究人员支持项目TURSP-2020/126数量,塔伊夫大学,塔伊夫,沙特阿拉伯。

 Orbann C。 Sattenspiel l 米勒 E。 Dimka J。 在计算机仿真模型:定义流行定义影响结论如何? 流行 2017年 19 24 32 10.1016 / j.epidem.2016.12.001 2 - s2.0 - 85008191259 贝茨 j . H。 坎贝尔 g D。 巴顿 a . L。 微生物病因急性肺炎的住院病人 胸部 1992年 101年 4 1005年 1012年 10.1378 / chest.101.4.1005 2 - s2.0 - 0026503981 儿童健康的肺炎病原学研究(上) 儿童重症肺炎,需要住院的原因没有感染HIV病毒从非洲和亚洲:鲈鱼多居民病例对照研究 《柳叶刀》 2019年 394年 10200年 757年 779年 10.1016 / s0140 - 6736 (19) 30721 - 4 2 - s2.0 - 85069522084 刘 l Oza 年代。 霍根 D。 全球、区域和国家的原因五岁以下儿童的死亡率在2000 - 15:更新后的系统分析,对可持续发展的目标 《柳叶刀》 2016年 388年 10063年 3027年 3035年 10.1016 / s0140 - 6736 (16) 31593 - 8 2 - s2.0 - 85006289227 田 Y。 吴 Y。 刘 H。 臭氧污染对环境的影响肺炎:全国范围内时间序列分析 国际环境 2020年 136年 105498年 10.1016 / j.envint.2020.105498 Prina E。 Ranzani o . T。 托雷斯 一个。 社区获得性肺炎 《柳叶刀》 2015年 386年 9998年 1097年 1108年 10.1016 / s0140 - 6736 (15) 60733 - 4 2 - s2.0 - 84941599187 Welte T。 托雷斯 一个。 Nathwani D。 成人社区获得性肺炎的临床和经济负担在欧洲 胸腔 2012年 67年 1 71年 79年 10.1136 / thx.2009.129502 2 - s2.0 - 84855204394 沃特金斯 K。 bloom D。 肺炎:全球导致没有冠军 《柳叶刀》 2018年 392年 718年 719年 10.1016 / s0140 - 6736 (18) 31666 - 0 2 - s2.0 - 85052527201 近藤 K。 铃木 K。 Washio M。 23-valent肺炎球菌多糖疫苗,季节性流感疫苗的有效性对肺炎的elderly-selection控制在一个病例对照研究 疫苗 2017年 35 36 4806年 4810年 10.1016 / j.vaccine.2017.07.005 2 - s2.0 - 85027303285 Asnaoui k . E。 Chawki Y。 Idri 一个。 自动检测和分类方法肺炎使用深度学习基于x射线图像 2020年 https://arxiv.org/abs/2003.14363 《柳叶刀》杂志全球健康 儿童肺炎的可耻的忽视 《柳叶刀》杂志上。全球健康 2018年 6 12 e1253 10.1016 / s2214 - 109 x (18) 30495 - 9 2 - s2.0 - 85056156138 https://ourworldindata.org/grapher/pneumonia-mortality-by-age 杨 Y。 彭 F。 王 R。 致命的冠状病毒:2003年SARS疫情和2020年新型冠状病毒流行在中国 自身免疫杂志 2020年 109年 102434年 10.1016 / j.jaut.2020.102434 Ksiazek t·G。 Erdman D。 戈德史密斯 c·S。 一种新型冠状病毒与严重急性呼吸系统综合症有关 新英格兰医学杂志》上 2003年 348年 20. 1953年 1966年 10.1056 / nejmoa030781 2 - s2.0 - 0038076030 墙 a . C。 公园 Y.-J。 Tortorici m·A。 墙 一个。 McGuire a . T。 Veesler D。 结构、功能和抗原性的糖蛋白SARS-CoV-2飙升 细胞 2020年 181年 2 10.1016 / j.cell.2020.02.058 胡 B。 曾 L.-P。 杨 X.-L。 发现了一个丰富的基因库的蝙蝠困难冠状病毒为SARS冠状病毒的起源提供了新的见解 PLoS病原体 2017年 13 11 10.1371 / journal.ppat.1006698 2 - s2.0 - 85036566735 吴 C。 刘 Y。 杨 Y。 分析SARS-CoV-2和发现潜在的药物治疗靶点的计算方法 Pharmaceutica学报B 2020年 10 5 766年 788年 10.1016 / j.apsb.2020.02.008 世界卫生组织 中东呼吸系统综合症冠状病毒(即- x) 2018年 https://www.who.int/emergencies/mers-cov/en/ 范Boheemen 年代。 格拉夫 M。 到来 C。 新发现的冠状病毒的基因组特性与人类急性呼吸窘迫综合征有关 MBio 2012年 3 6 e00473 10.1128 / mbio.00473-12 2 - s2.0 - 84871415482 扎基 a . M。 范Boheemen 年代。 Bestebroer t M。 欧斯特豪斯 a·d·m·E。 Fouchier r . a . M。 隔离的一种新型冠状病毒与肺炎在沙特阿拉伯一个男人 新英格兰医学杂志》上 2012年 367年 19 1814年 1820年 10.1056 / nejmoa1211721 2 - s2.0 - 84868516062 Hijawi B。 Abdallat M。 Sayaydeh 一个。 新型冠状病毒感染在约旦,2012年4月:流行病学研究结果从一个回顾性调查 东地中海健康杂志 2013年 19 1 S12 S18 10.26719 / 2013.19.supp1.s12 Farooq h . Z。 戴维斯 E。 艾哈迈德 年代。 中东呼吸系统综合症冠状病毒(MERS-CoV)监测和测试在北英格兰从2012年到2019年 国际传染病杂志》上 2020年 93年 10.1016 / j.ijid.2020.01.043 世界卫生组织 中东呼吸系统综合症冠状病毒(MERS-CoV) 2019年 https://www.who.int/news-room/fact-sheets/detail/middle-east-respiratorysyndrome-coronavirus- (merscov) 穆罕默德 h·A。 Al-Tawfiq j . A。 Memish z。 中东呼吸系统综合症冠状病毒(MERS-CoV)起源和动物宿主 病毒学杂志 2016年 13 1 87年 10.1186 / s12985 - 016 - 0544 - 0 2 - s2.0 - 84975856260 王 N。 罗森 O。 王 l 结构定义neutralization-sensitive抗原决定基的MERS-CoV S1-NTD 细胞的报道 2019年 28 13 3395年 3405年 10.1016 / j.celrep.2019.08.052 2 - s2.0 - 85072157077 Aguanno R。 ElIdrissi 一个。 Elkholy 答:一个。 即:全球反应的进展,剩余的挑战和前进的方向 抗病毒研究 2018年 159年 35 44 10.1016 / j.antiviral.2018.09.002 2 - s2.0 - 85053772456 里皮 G。 Plebani M。 亨利 b . M。 血小板减少症伴有严重的冠状病毒疾病2019 (COVID-19)感染:一个荟萃分析 我们共同Chimica学报 2020年 506年 10.1016 / j.cca.2020.03.022 Cortegiani 一个。 Ingoglia G。 使役动词 M。 Giarratano 一个。 Einav 年代。 疗效和安全性的系统回顾COVID-19氯喹治疗 《急救护理 2020年 57 10.1016 / j.jcrc.2020.03.005 田 年代。 胡 N。 卢 J。 在北京COVID-19感染的特点 杂志的感染 2020年 80年 4 401年 406年 10.1016 / j.jinf.2020.02.018 Wilder-Smith 一个。 卫生 c·J。 李 诉J。 我们可以包含COVID-19 SARS疫情的措施一样吗? 《柳叶刀传染病 2020年 20. 10.1016 / s1473 - 3099 (20) 30129 - 8 世界卫生组织 新型冠状病毒report-28 (2019 - ncov)情况 2020年 https://www.who.int/docs/default - source/coronaviruse/situation reports/20200217 -军情报告- 28 - covid pdf?sfvrsn=a19cf2ad_2——19. Roosa K。 李 Y。 罗 R。 实时预测COVID-19流行在中国从2月5日到2月24日,2020年 传染病模型 2020年 5 256年 263年 10.1016 / j.idm.2020.02.002 杨 J。 郑 Y。 郭台铭 X。 小说中并发症患病率武汉冠状病毒(COVID-19)感染:系统回顾和荟萃分析 国际传染病杂志》上 2020年 94年 10.1016 / j.ijid.2020.03.017 Simcock R。 托马斯。 t . V。 怜悯 c, E。 COVID-19:全球大流行防备放射肿瘤学的有针对性的反应 临床和转化放射肿瘤学 2020年 22 10.1016 / j.ctro.2020.03.009 默罕默德 Y。 Tahir M。 ‘ M。 庄 k . T。 心脏病的早期、准确检测和诊断使用智能计算模型 科学报告 2020年 10 1 17 10.1038 / s41598 - 020 - 76635 - 9 Elkhodr M。 Alsinglawi B。 Alshehri M。 隐私风险评估医疗物联网 智能技术在医疗领域的应用 2019年 柏林,德国 施普林格 10.1007 / 978 - 3 - 319 - 96139 - 2 _5 Kermany D。 张 K。 Goldbaum M。 标记的光学相干断层扫描(oct)和胸部x光图像分类 Mendeley数据 2018年 2 10.17632 / rscbjbr9sj.2 Toğacar M。 Ergen B。 Comert Z。 Ozyurt F。 深特性为肺炎检测应用相结合的学习模式MRMR特征选择和机器学习模型 IRBM 2019年 41 10.1016 / j.irbm.2019.10.006 梁 G。 郑 l 转移与深残余网络学习方法对小儿肺炎的诊断 计算机在生物医学方法和项目 2019年 187年 104964年 10.1016 / j.cmpb.2019.06.023 2 - s2.0 - 85068048842 贾斯瓦尔 答:K。 女子 P。 库马尔 年代。 古普塔 D。 卡纳 一个。 罗德里格斯 j·j·p·C。 确定在胸部x光检查肺炎:深度学习的方法 测量 2019年 145年 511年 518年 10.1016 / j.measurement.2019.05.076 2 - s2.0 - 85067038629 通用电气 Y。 王 Q。 王 l 使用深层神经网络方法预测中风后肺炎 国际医学信息学杂志》上 2019年 132年 103986年 10.1016 / j.ijmedinf.2019.103986 2 - s2.0 - 85073188047 Sirazitdinov 我。 Kholiavchenko M。 Mustafaev T。 一轩 Y。 Kuleev R。 Ibragimov B。 深层神经网络集成的肺炎本地化大规模数据库胸部x光片 计算机与电气工程 2019年 78年 388年 399年 10.1016 / j.compeleceng.2019.08.004 2 - s2.0 - 85070340950 Behzadi-khormouji H。 Rostami H。 萨利希 年代。 探测深度学习、可重用和基于架构的整合在胸部x光图像 计算机在生物医学方法和项目 2020年 185年 105162年 10.1016 / j.cmpb.2019.105162 Bhandary 一个。 您正在 g。 Rajinikanth V。 深度学习框架来检测肺abnormality-a研究胸部x光片和肺CT扫描图像 模式识别的字母 2020年 129年 271年 278年 10.1016 / j.patrec.2019.11.013 Alshehri m D。 侯赛因 f·K。 模糊物联网安全信任管理协议(fuzzy-IoT) 计算 2019年 101年 7 791年 818年 10.1007 / s00607 - 018 - 0685 - 7 2 - s2.0 - 85058118871 Alshehri m D。 侯赛因 F。 Elkhodr M。 Alsinglawi b S。 物联网的分布式信任管理模型(DTM-IoT) 最近的趋势和先进的无线和IoT-Enabled网络 2019年 柏林,德国 施普林格 10.1007 / 978 - 3 - 319 - 99966 - 1 _1 默罕默德 O。 默罕默德 O。 卜拉欣 一个。 哈立德 大肠。 基于内容的图像检索使用卷积神经网络 2018年 柏林,德国 施普林格 Simonyan K。 Zisserman 一个。 很深的卷积网络大规模图像识别 2014年 https://arxiv.org/abs/1409.1556 Szegedy C。 刘 W。 贾 Y。 与旋转会更深 2014年 纽约,纽约,美国 康奈尔大学 技术报告 Szegedy C。 Vanhoucke V。 约飞 年代。 Shlens J。 重新考虑初始架构计算机视觉 2015年 https://arxiv.org/abs/1512.00567 Kermany d S。 Goldbaum M。 蔡 W。 确定基于图像的深度学习医学的诊断和治疗的疾病 细胞 2018年 172年 5 1122年 1131年 10.1016 / j.cell.2018.02.010 2 - s2.0 - 85042389905 斯蒂芬。 O。 祈神保佑 M。 Maduh 美国J。 一个高效的深度学习方法在医疗肺炎分类 医疗保健工程 2019年 2019年 7 4180949 10.1155 / 2019/4180949 2 - s2.0 - 85064257256 Saraiva 一个。 费雷拉 N。 苏萨 l 儿童肺炎的分类图像使用卷积神经网络 学报》第12届国际生物医学工程联合会议系统和技术 2019年2月 布拉格,捷克共和国 112年 119年 吴 H。 谢 P。 张 H。 预测肺炎,胸部x光图像基于卷积深层神经网络学习 《智能与模糊系统 2020年 39 12 1 15 Conversano 一个。 所以也 F。 Napolano 一个。 肾素血管紧张素醛固酮系统抑制剂和结果SARS-CoV-2患者肺炎 高血压 2020年 76年 2 e10汽油 e12汽油 10.1161 / hypertensionaha.120.15312 梅 F。 风扇 J。 元 J。 之间的静脉血栓栓塞的风险比较COVID-19肺炎和社区获得性肺炎患者 动脉硬化、血栓和血管生物学 2020年 40 9 2332年 2337年 10.1161 / atvbaha.120.314779 尼科莱 l Leunig 一个。 Brambs 年代。 Immunothrombotic失调COVID-19肺炎和呼吸衰竭和有关凝血障碍 循环 2020年 142年 12 1176年 1189年 10.1161 / circulationaha.120.048488 Salomaa 年代。 Cardis E。 Bouffler s D。 阿特金森 m·J。 石漠 N。 低剂量放疗COVID-19肺炎:有支持性的证据吗? 国际放射生物学杂志》上 2020年 96年 10 1224年 1227年 10.1080 / 09553002.2020.1762020 范Ginneken B。 人工智能的潜力分析胸片COVID-19肺炎的迹象 北美放射学会 2021年 299年 10.1148 / radiol.2020204238