利用迁移学习方法进行区域特异性SARS-COV-2感染后急性后遗症的流行病学研究

摘要

本研究旨在设计并实现一种新的迁移学习技术，以更好地理解长期健康结果，并支持定制化的流行病学洞察。

摘要

严重急性呼吸综合征冠状病毒2的迟发性后遗症（PASC）正带来极端风险环境，并产生严重后果，尤其对中老年人群以及患有心血管疾病、癌症、呼吸系统疾病和糖尿病等慢性健康问题的人群影响显著。身体功能障碍包括严重且持续的全身疼痛、疲劳以及身体活动困难。同样，情绪障碍如抑郁、情绪波动、绝望感以及注意力难以集中，也是PASC的重要预测因素。个体，尤其是中老年人，正面临日益加剧的身体与心理后果，包括频繁住院、医疗状况不稳定，以及在某些情况下意外死亡。及时识别PASC对于减轻相关健康问题的严重程度至关重要。本研究提出一种潜在迁移模型，用于整合来自不同地区的患者数据，挖掘数据中的深层信息，并提供个性化的医疗解决方案。该研究凸显了潜在迁移学习模型在提升数据简化、泛化能力、个性化、洞察发现、变异性处理、可扩展性及适应性方面的潜力，从而改善公共卫生健康结局。

引言

2019冠状病毒病（COVID-19）最初在中国武汉被发现。2019年12月31日^st 2019年12月，中国向世界卫生组织（WHO）报告了在湖北省武汉市发现的病因未明的肺部炎症疾病¹从31^st 2019年12月至3^rd 2020年1月，有44人因接触“华南海鲜”批发市场而感染该病毒。患者最初表现为发热、乏力和干咳。该病毒的暴发始于30日^th 2020年1月，世界卫生组织宣布其为国际关注的突发公共卫生事件¹截至2020年2月中旬，已有超过25个国家受到新型冠状病毒影响，中国确诊病例为70,635例，其他国家共计794例。中国境内官方报告死亡病例1,772例，其他国家共3例。31日^st 2019年12月，报告了一组肺炎感染病例，世界卫生组织称武汉尚无死亡病例报告。在泰国，首例病例于1月13日在曼谷宣布^th 2020年1月，一名61岁的中国女性从武汉市返回后^th 2020年1月，该患者在访问武汉市后出现咽喉痛、咳嗽、发热、寒战和头痛等症状。1月8日，通过体温监测筛查发现其新冠病毒检测呈阳性。^th 2020年1月，该病例由中国台湾人员发现并于当日由泰国官员收治入院。患者随后康复。中国政府分享了该病毒的基因测序结果，使更多国家能够高效地检测和诊断患者².

在美国，首例病例于1月19日在华盛顿州被报告^th 2020年1月，一名35岁男性从武汉市返回后^th 2020年1月，他在家庭聚会后出现咳嗽和发热症状，自15日起有临床表现。^th 2020年1月，他被建议接受医学检查。他未曾接触过新冠病毒感染者，但在前往中国武汉期间，由于中国境内疫情暴发而感染了新冠病毒。他于20日新冠病毒检测呈阳性^th 2020年1月，该患者被收治于某医疗中心的空气隔离病房并接受隔离。入隔离病房时，患者生命体征平稳，脉搏110次/分，血压134/87 mmHg，体温37.2 °C，呼吸频率16次/分，血氧饱和度96%，肺部听诊正常。随后进行了常规的COVID监测和相关检查，患者出现持续两天的咳嗽、恶心和呕吐症状。³入院第二天，患者主诉腹部不适；第三天，胸部X光检查未见异常。然而，第五天时，胸部X光显示明显肺炎征象，血氧饱和度下降至90%。医生建议其接受氧疗，通过补充氧气以改善血氧饱和度。第8天^th 天，她的病情好转，并从诊所出院。在印度，首例病例于27日在喀拉拉邦报告。^th 2020年1月，一名20岁女性因中国武汉暴发新冠肺炎疫情从武汉市返回，该患者无症状持续至23日^rd 2020年1月至26日^th 2020年1月出现喉咙痛和轻度咳嗽，症状始于27日^th 2020年1月。她未曾接触过新冠病毒感染者，但在从武汉前往昆明的火车旅途中，注意到有数人出现呼吸道问题、感冒和咳嗽症状。因此，喀拉拉邦政府相关部门指示她前往隔离场所，并在接下来几天内若出现任何新冠肺炎症状，应立即前往医疗机构就诊。入院至综合医院后，其生命体征正常：脉搏82次/分钟，血压130/80 mmHg，体温98.5 °F，血氧饱和度96%，肺部听诊正常。入院后第3天开始进行常规的新冠肺炎监测和相关检查^rd, 7^th，和 20^th 从发病日起每天进行口咽拭子检测，于发病第1天及之后每隔一天检测一次，持续23天，自第17天起检测结果均为阴性^th 日。各项检查结果均正常，已于20日出院。^th 2020年2月⁴.

在英国，首例 COVID-19 病例于 1 月 23 日被报告^rd 2020年1月，一名50岁女性在从武汉返回后发病。该患者最初无症状，于26日出现发热、乏力、咽痛和干咳等症状^th 2020年1月，该患者进入综合医院时生命体征正常，呼吸频率为18次/分钟，血压为120/80 mmHg，体温为37.6 °C，血氧饱和度为97%。已开展常规的COVID监测及相关检查，患者临床病情稳定。初步检查显示其存在轻度淋巴细胞减少及C反应蛋白升高。3天后^rd 入院当天，她所有症状均已消失，且自入院第二天起，口咽拭子检测结果均为新冠病毒阴性。她被隔离了2周，期间鼻咽和咽喉拭子检测结果均呈阴性。⁵.

冠状病毒（CoVs）于20世纪60年代被发现，其分类如下。Orthornavirae被称为正链RNA病毒界（realm），包含以核糖核酸（RNA）作为基因组、并依赖RNA依赖性RNA聚合酶（RdRp）进行翻译的多种病毒。RdRp将病毒RNA基因组转录为信使RNA（mRNA），并复制基因组。属于Orthornavirae的病毒具有进化、基因突变、重组和重配等特征⁶。RNA基因组分为三种类型：正链RNA病毒（+ssRNA病毒）、负链RNA病毒（-ssRNA病毒）和双链RNA病毒（dsRNA病毒）。正链RNA病毒（+ssRNA病毒）是一类具有正义单链RNA的关联病毒。+ssRNA病毒的基因组可直接作为信使RNA（mRNA）使用，并由宿主细胞的核糖体直接翻译成病毒相关蛋白。+ssRNA病毒与Pisuviricota、Kitrinoviricota和Lenarviricota等门相关。正链RNA病毒包含多种病原体，如丙型肝炎病毒（Hepacivirus C）、登革病毒、埃博拉病毒、麻疹病毒、狂犬病毒、流感病毒、严重急性呼吸综合征冠状病毒（Severe acute respiratory syndrome CoV）、中东呼吸综合征冠状病毒（Middle East respiratory syndrome coronavirus CoV）以及严重急性呼吸综合征冠状病毒2（Severe acute respiratory syndrome CoV）⁷。负链RNA病毒（-ssRNA病毒）是一类具有负义单链RNA的关联病毒。-ssRNA病毒的基因组不能直接作为信使RNA（mRNA）使用，需由一种名为RNA依赖性RNA聚合酶（RdRp）的酶转录生成mRNA。-ssRNA病毒属于Negarnaviricota门。该门内包含两个主要分支：Haploviricotina和Polyploviricotina。重要的脊椎动物负链RNA病毒包括埃博拉病毒、汉坦病毒（Hanta）、流感病毒、拉沙热病毒（Lassa fever）和狂犬病毒。双链RNA病毒（dsRNA病毒）是一类多系群病毒，具有双链RNA基因组。dsRNA病毒的基因组通过病毒自身的RNA依赖性RNA聚合酶（RdRp）转录生成+ssRNA。该+ssRNA可作为信使RNA（mRNA），由宿主细胞的核糖体直接翻译为病毒相关蛋白；而-ssRNA则不能直接作为mRNA，需由RdRp酶催化合成mRNA。dsRNA病毒与Duplornaviricota和Pisuviricota门相关。双链RNA病毒包括轮状病毒（主要感染婴幼儿）和蓝舌病病毒（主要感染牛和羊）⁸。

Pisuviricota 被称为一类RNA病毒门，包含所有正链单链RNA病毒（+ssRNA病毒）和双链RNA病毒（dsRNA病毒）。其下级分类包含三个纲，分别为Duplopiviricetes、Pisoniviricetes和Stelpaviricetes。Pisoniviricetes 是一类感染并污染真核生物的+ssRNA病毒纲，其下级分类包含三个亚纲，即Nidovirales、Picornavirales和Sobelivirales。Nidovirales 是一类有包膜的+ssRNA病毒目，可感染脊椎动物和无脊椎动物⁹。该目包含多个病毒亚目，分别为Abnidovirineae、Cornidovirineae、Nanidovirinae、Arnidovirineae、Mesnidovirineae和Tornidovirineae。Nidovirales目下确认存在多个科，包括Abyssoviridae、Coronaviridae、Nanghoshaviridae、Nanhypoviridae、Arteriviridae、Medioniviridae、Cremegaviridae、Mesoniviridae、Euroniviridae、Gresnaviridae、Roniviridae、Tobaniviridae、Mononiviridae和Olifoviridae⁸。Coronaviridae 是一类有包膜的+ssRNA病毒科，可感染哺乳动物、两栖动物和鸟类。其下级分类包含两个亚科：Letovirinae 和 Orthocoronavirinae。Orthocoronavirinae 的成员被认定为冠状病毒。冠状病毒是 Coronaviridae 科的一个亚科，属于可引起哺乳动物和鸟类感染的RNA病毒。在哺乳动物和鸟类中，这些病毒可引起从轻度到重度的呼吸道感染，例如上呼吸道感染和下呼吸道感染¹⁰。这些病毒可导致人类及部分哺乳动物出现SARS、MERS和COVID-19，以及猪和牛的腹泻、肝炎和脑脊髓炎。冠状病毒是有包膜的+ssRNA病毒，属于 Orthornavirae 界、Pisuviricota 门、Pisoniviricetes 纲、Nidovirales 目、Coronaviridae 科和 Orthocoronavirinae 亚科。冠状病毒分为四个属，分别为Alpha冠状病毒、Beta冠状病毒、Gamma冠状病毒和Delta冠状病毒¹¹。基于本项研究，提出以下假设。

严重急性呼吸综合征冠状病毒-2（SARS-CoV-2）刺突蛋白突变具有高度糖基化特征。研究这些刺突突变的生物学后果具有重要意义。在刺突蛋白序列的同一位置可能产生多个不同的突变。所获取的刺突蛋白序列为估算在全球范围内检测到的突变谱系提供了机会，这些突变如表1所示。所考虑的突变均源于病毒的人际传播。疫苗接种可诱导产生能够强效中和SARS-CoV-2的免疫反应¹²。尽管科学研究已发现携带刺突蛋白突变的SARS-CoV-2变异株出现，但其核心目标仍是逃逸宿主抗体的中和作用。有越来越多的证据表明，部分SARS-CoV-2变异株在接种疫苗后中和效果有所下降。疫苗制造商已开发多种平台，以期更新疫苗结构，同时通过开展针对全球病毒群体遗传学和抗原性变异的调查，并结合实验研究以阐明突变对表型的影响¹³。

美国国家生物技术信息中心（NCBI）病毒数据库包含来自非洲、亚洲、欧洲、北美洲、南美洲和大洋洲的10333种人类SARS-CoV-2刺突蛋白。上表展示了从不同地理区域检测到的刺突蛋白中若干突变的传播情况。上表还提供了Alpha、Beta、Gamma和Delta冠状病毒的属、特征及描述信息。每个属均以其基本特性进行描述，包括基本特征、变异体、意义、形态、测量参数、结构、膜融合、释放机制、污染途径以及合成方式¹⁴。

如表1所述，HCoV-229E、HCoV-OC43、HCoV-NL63和HCoV-HKU1等病毒株在人体中引起轻度至中度的疾病症状，而SARS-CoV、MERS-CoV和SARS-CoV-2则导致严重的临床症状。病毒微生物进入机体后感染宿主细胞。根据冠状病毒的类型不同，其感染宿主体内不同部位的细胞。一旦病毒附着于强健的细胞，便会侵入其中¹⁵。病毒进入宿主细胞内部后，会进行脱壳，其DNA和RNA将释放出来并移向细胞核。这些遗传物质以片段形式移动，导致病毒的多种复制。这些复制产物从细胞核中释放出来，进行组装并获得保护其DNA和RNA的蛋白质。这些新生成的病毒复制品将离开先前已被感染的病变细胞，再次侵染其他健康的宿主细胞并继续增殖。若宿主免疫系统成功抵御冠状病毒，个体将不会发病；否则可能出现不良并发症。若免疫系统无法控制冠状病毒，将导致发病机制的发生。在此过程中，病毒进入机体并感染不同器官。根据症状的严重程度，个体可能需要休息或寻求医疗帮助¹⁶。冠状病毒的生命周期及其不同毒株在图1中有所展示。

上图详细描绘了冠状病毒的生命周期及其各个阶段。共有七个阶段，分别为：（1）附着与侵入，（2）融合与内吞作用，（3）蛋白水解，（4）翻译与切割，（5）复制，（6）胞吐作用，以及（7）成熟病毒的释放。在附着与侵入阶段，冠状微生物进入宿主细胞，该阶段的研究目标在于开发针对宿主抗性识别与干预的策略。为了进入宿主细胞，这些病毒首先与细胞表面受体结合，随后进入内体，并最终启动融合过程。随后，冠状病毒与病毒相关膜及溶酶体膜在宿主细胞内发生融合。病毒表面锚定的刺突蛋白在这些病毒的入侵过程中起关键作用。内吞作用是一种细胞过程，通过该过程将物质带入宿主细胞¹⁷。被摄入的物质由一系列细胞膜包裹，随后向内突出进入宿主细胞，形成包含所摄取物质的囊泡。内吞作用包括胞饮作用和吞噬作用；前者称为细胞“饮水”，后者称为细胞“摄食”。蛋白水解是指将病毒相关蛋白分解为较小的多肽或氨基酸的过程。结构化mRNA的转换是一种转录后调控过程，可调控基因表达并迅速改变蛋白质丰度，在多种生物学过程中发挥重要作用，例如细胞生长、细胞发育、突触可塑性、应激反应以及病毒的有效增殖¹⁸。病毒翻译过程可分为三个阶段，即起始、延伸和终止。

病毒复制是指通过感染宿主细胞并利用其机制产生遗传性病毒的过程。病毒要实现繁殖，必须首先侵入宿主细胞。通过不断复制其病毒基因组并包裹这些拷贝，病毒得以存活，并通过感染新的宿主细胞持续传播¹⁹。胞吐作用是含有病毒颗粒的囊泡从感染细胞中分泌并释放的机制，使新形成的病毒进入宿主体内并感染其他健康细胞。严重急性呼吸综合征冠状病毒2的急性后遗症（PASC）被认为是一种主要影响肺部的综合征，尽管它也可能影响多个器官，导致器官损伤甚至器官衰竭²⁰。此类并发症可能导致死亡或长期健康问题。例如，心脏可能增加心力衰竭或其他并发症的风险；肺部可能在肺炎后持续出现长期呼吸困难；大脑可能受到中风、癫痫或吉兰-巴雷综合征的影响；肾脏可能受损，进而导致败血性休克。由于酶失衡可能导致肝损伤，而横纹肌溶解症则会引起肌肉组织分解，将肌红蛋白释放入血流，若肾脏无法迅速将其过滤，可能危及生命。其他并发症包括异常血栓形成，导致内出血和器官衰竭；由链球菌或葡萄球菌等细菌引起的继发感染；因凝血反应功能障碍导致的弥散性血管内凝血；以及慢性疲劳，常伴随脑雾、严重疲倦、头晕或思维障碍。基于这些挑战，提出以下假设：H1：利用迁移学习算法，通过应用流行病学数据识别特定区域的PASC，可显著提高模型的预测准确性和可迁移性。H1a：使用流行病学数据进行微调的深度学习模型优于其他模型。H1b：将特定区域的PASC决定因素与迁移学习模型相结合，可提高分类与聚类的准确性和效率。H1c：这种结合还能揭示此前未被发现或被忽视的区域特异性模式。H1d：与其它模型相比，迁移学习能够缩短训练时间并加快收敛速度。

方案

本研究遵循涉及人类数据研究的伦理准则。研究中使用的所有患者数据在访问和分析前均已完全匿名化，未使用任何个人身份信息。研究方案已通过机构审查委员会（IRB）的审查和批准，符合《赫尔辛基宣言》的要求。在适用的情况下，已从相关机构或数据存储库获得数据访问权限。由于本研究涉及对去标识化数据的二次分析，IRB豁免了知情同意要求。所提出的潜在迁移模型是一种基于机器学习的半监督学习技术，旨在发现隐藏模式并将其从源数据集迁移到目标数据集，因此非常适用于分析PASC的流行病学问题¹⁶。新冠后状况常在不同人群中表现出多样化的症状，导致数据不一致且稀疏。本研究通过学习改进的潜在表征来表示数据集中的隐藏健康模式，并将其表达为新兴数据集，从而解决了因不同地区症状差异导致的数据稀疏性问题。为实现这一转换，这些潜在迁移技术使用自动编码器或变分编码器将源数据和目标数据表示在共同的潜在空间中。该共同空间通过在不同地区良好保留新冠后症状的聚类，保护了所获得的隐藏模式²¹。该原型还可通过领域自适应实现更优的泛化能力，从而进一步提升性能。采用该方法，模型有助于识别和预测高风险人群聚类，并支持偏远地区的公共卫生监测。本研究还通过减少对完全标注数据的依赖，增强了学习能力。因此，所提出的方法因其对不同人群的通用性，成为分析数据缺口的有力工具。

1. 数据来源与收集

本研究使用了公开的 Kaggle 数据集（心血管疾病数据集、癌症预测数据集、早期糖尿病预测数据集以及心理健康预测数据集），因此本提交无需机构审查委员会（IRB）批准。

对于包含图像数据的数据集，使用 Python 中的 TensorFlow 和 OpenCV 库进行预处理。预处理步骤包括图像缩放（例如，224 × 224 像素）、灰度或 RGB 格式转换、像素值归一化至 [0, 1] 范围，以及采用数据增强技术（如旋转、翻转、缩放），以提升模型的泛化能力并减少过拟合。随后，将图像数组转换为 NumPy 数组，用于后续处理和模型输入。

在特征选择中，使用 Scikit-learn 的 RFE 类实现了递归特征消除（Recursive Feature Elimination, RFE），通常与逻辑回归或随机森林估计器结合使用。所选特征的数量因数据集而异，但常见的配置是根据递归评分结果将维度降低至最重要的前 10 到 15 个特征。该方法在提高分类准确率的同时，降低了计算复杂度和模型过拟合的风险。

本研究使用了来自 Kaggle 的四个公开数据集：心血管疾病数据集、乳腺癌预测数据集、早期糖尿病预测数据集以及心理健康预测数据集。这些数据集直接从 Kaggle 下载，包含基于临床信息和问卷调查的结构化表格数据。数据预处理使用 Python 完成，主要依赖 Pandas 库进行数据操作，NumPy 库进行数值运算，以及 Scikit-learn 库进行数据预处理、特征选择和建模。缺失值采用均值或众数策略进行填补，分类变量进行编码 通过 采用独热编码（One-Hot Encoding）或标签编码（Label Encoding）处理分类变量，数值型特征则使用 StandardScaler 或 MinMaxScaler 进行标准化。针对类别不平衡问题，应用 imblearn 包中的 SMOTE（Synthetic Minority Oversampling Technique）方法进行过采样。递归特征消除（Recursive Feature Elimination, RFE）通过 Scikit-learn 的 RFE 模块实现，选用逻辑回归（Logistic Regression）和随机森林（Random Forest）等估计器，根据 ROC-AUC 和准确率等模型性能指标，将特征数量通常缩减至最重要的前 10 至 15 个。

2. 模型架构

本研究提出了一种称为潜在迁移模型的神经网络算法变体，用于训练来自 COVID-19 图像数据库的输入图像。该方法在构建深度神经网络时有效克服了梯度消失问题。尽管存在多种具有不同层结构的神经网络变体，但本研究主要聚焦于在深度神经网络的训练过程中实施残差学习技术。所提出的潜在迁移模型采用了一种改进的 ResNet-50 算法，其结构包含 7 × 7 卷积层框架，以及展平层和全连接层网络。这些层被用于对 PASC 患者进行区域性的图像转换和多类别分类，以提取特征模式²²。本研究采用尺寸为 256 × 256 × 3 的输入图像，并利用高效的超参数、学习行为、优化方法和批量大小。所提出的潜在迁移模型使用包含 12,946 张图像的数据集，对处于心血管疾病、癌症、慢性呼吸系统疾病、糖尿病及心理健康问题高风险状态的患者进行分类。数据集详细信息和超参数分别列于表 2和表 3中。

为确保可重复性，所有模型实现、预处理和评估步骤均在受控环境中进行，使用运行 Windows 11 系统的计算机，搭载 Intel Core i7（第11代）处理器、16GB 内存和 NVIDIA GeForce RTX 3060 GPU（用于任何加速计算，但本研究中的数据集处理无需依赖 GPU），通过 Jupyter Notebook 中的 Python 完成。所使用的软件库包括 Pandas 1.5.3、NumPy 1.24、Scikit-learn 1.3.0、用于 SMOTE 的 Imbalanced-learn 0.11.0、用于可视化的 Matplotlib 3.7.1 和 Seaborn 0.12.2。预处理步骤包括处理缺失值 通过 均值/众数填补、使用独热编码或标签编码对分类变量进行编码，以及使用StandardScaler进行特征缩放。模型开发采用了逻辑回归、随机森林和支持向量机等分类器，并结合递归特征消除（RFE）进行降维。模型通过5折交叉验证进行评估，性能指标包括准确率、精确率、召回率和ROC-AUC分数，确保了流程的一致性与可重复性。

3. 预处理与特征工程

为了从这些数据集中提取具有统计学意义的特征，采用了一种名为"基于递归特征消除的特征选择（Feature Selection using Recursive Feature Elimination, RFE）"的预处理技术，以及一种名为"基于多层感知机的迁移学习（Transfer Learning with Multi-Layer Perceptron, MLP）"的建模流程。

4. 训练与验证

采用系统化的训练与验证方法，评估所提出的PASC症状分析与预测方法。首先，应用分层的训练-测试集划分方法，按照80:20的比例将数据划分为训练集和测试集，以获得类别标签的累积体系。随后，在训练数据上实施k=5的k折交叉验证，以评估模型在不同数据划分下的稳健性。采用具有两个隐藏层（分别为64和32个神经元）且迭代300次的多层感知机（MLP）分类器。进一步应用了特征表示和迁移学习技术。

5. 评估指标

在测试数据上计算了准确率、F值、G均值、平均绝对百分比误差、灵敏度和特异性，以比较所提出模型的性能。结果表明，在测试数据上，所提出模型的评估指标（准确率、F值、G均值、平均绝对百分比误差、灵敏度和特异性）相较于其他先进模型（即VGG-16 CNN、VGG-19 CNN、DenseNet-121 CNN、InceptionV3 CNN、ResNet-101 CNN、MobileNetV2 CNN以及所提出的Latent Transfer模型）有所提升。上述数据集包含心血管疾病、癌症、慢性呼吸系统疾病、糖尿病和精神疾病相关的训练、验证和测试样本。

所有实验均在配备 Intel Core i7 处理器、16GB 内存和 NVIDIA RTX 3060 GPU 的系统上，基于 Windows 11 环境使用 Python 3.10 进行。公开可用的 Kaggle 数据集使用 Pandas、NumPy 和 Scikit-learn 进行预处理，包括缺失值填补、编码、缩放以及通过递归特征消除（RFE）进行特征选择。via 逻辑回归、随机森林和支持向量机（SVM）等模型采用 5 折交叉验证进行训练与评估，评估指标包括准确率、精确率、召回率和 ROC-AUC，以确保结果的可重复性与性能稳定性。

上表列出了超参数的详细信息，以及使用这些超参数的技术或算法。针对 Adam 优化器算法，给出了学习率、早停技术、批量大小、训练轮数、回调函数、损失函数以及用于衡量效率的评估指标。

结果

将所提出的模型与现有的迁移模型进行比较，包括 VGG-16 CNN、VGG-19 CNN、DenseNet-121 CNN、InceptionV3 CNN、ResNet-101 CNN 和 MobileNetV2 CNN。参数细节及比较结果分别如表4、表5和图2所示。结果表明，与 VGG-16 CNN、VGG-19 CNN、DenseNet-121 CNN、InceptionV3 CNN、ResNet-101 CNN 和 MobileNetV2 CNN 等其他模型相比，所提出模型在评估指标上有所提升。

本研究使用 Python 3.10 实现，主要库包括用于 ResNet-50 的 TensorFlow 2.13、用于 MLP 分类器和 RFE 的 Scikit-learn 1.3.0，以及用于数据处理的 Pandas 1.5.3。实验环境配置于 Windows 11 系统中的 Jupyter Notebook，启用 CUDA 1.1.8 以支持 GPU ...

讨论

该方案的核心是构建一个潜在迁移学习模型 以应对PASC带来的影响。这种状况会导致严重的身心健康问题，尤其在中老年人群以及既往患有慢性疾病的人群中更为显著。 疾病，如心血管疾病、癌症、呼吸系统疾病和糖尿病。最终目标是整合来自不同患者的多种数据 利用潜在迁移模型对不同人群进行分析，以实现PASC的个性化护理、早期检测和有效治疗。该技术采用迁移学习来弥合 复杂临床数据之间的鸿沟，促进知识在不同人群间的转移，针对患者具体情况实现个性化诊疗，以及扩大医学认知的应用范围。最终目标是提高诊断准确性，促进及时干预，并 通过采用先进的机器学习技术减轻长新冠（慢性）症状的严重后果，为公共卫生作出贡献²³.

本研究将建立一种针对PASC等复杂病毒后综合征的新型潜在学习模型，有望显著推动科学前沿的发展。上述模型旨在应对传统诊断技术所面临的挑战，以及整合不同人群群体和地理区域数据的需求，这对于识别长新冠症状中的细微模式至关重要。该模型可通过迁移学习扩展至不同地区（或数据集），因而具备高度的可扩展性和鲁...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
云计算环境（例如 Google Colab / AWS EC2）	Google / Amazon	N/A	用于通过 GPU 加速训练深度学习模型
流行病学数据集（SARS-CoV-2 感染后急性后遗症，区域特异性）	公共卫生数据存储库（例如 WHO、CDC、ICMR、区域医院）	N/A	用于迁移学习实验的数据集
Jupyter Notebook	Project Jupyter	开源	用于编码和文档编写的交互式环境
Keras	开源	集成于 TensorFlow	用于构建和训练深度学习模型的高级 API
Matplotlib / Seaborn	开源	N/A	用于图表绘制和流行病学趋势分析的可视化库
NumPy	开源	N/A	数值计算库
Pandas	开源	N/A	数据处理与分析库
预训练的 CNN/Transformer 模型（例如 EfficientNet、基于 BERT 的模型）	TensorFlow Hub / HuggingFace	模型特定	用于迁移学习和针对流行病学预测的微调
Python（v3.8 或更高版本）	Python 软件基金会	开源	用于数据预处理、模型训练与评估的编程语言
Scikit-learn	开源	N/A	用于预处理、评估指标和基线模型的机器学习库
TensorFlow（v2.x）	Google	开源	用于迁移学习和模型部署的深度学习框架