Предлагаемая работа направлена на разработку и внедрение новой методики трансферного обучения, которая позволит лучше понять долгосрочные результаты в отношении здоровья и поддержит индивидуальную эпидемиологическую аналитику.
Research Article
Предлагаемая работа направлена на разработку и внедрение новой методики трансферного обучения, которая позволит лучше понять долгосрочные результаты в отношении здоровья и поддержит индивидуальную эпидемиологическую аналитику.
Постострые последствия SARS-CoV-2 (PASC) представляют собой среду с чрезвычайным риском и тяжелыми последствиями, особенно для людей среднего и пожилого возраста, а также людей с хроническими заболеваниями, такими как сердечно-сосудистые заболевания, рак, респираторные заболевания и диабет. Физические расстройства включают сильные и постоянные боли в теле, усталость и трудности с движениями тела. Точно так же расстройства настроения, такие как депрессия, перепады настроения, чувство безнадежности и трудности с концентрацией внимания, являются значимыми предикторами PASC. Люди, в основном люди среднего и пожилого возраста, сталкиваются с повышенными физическими и психическими последствиями, включая частые госпитализации, нестабильные с медицинской точки зрения состояния, а в некоторых случаях и неожиданные смертельные исходы. Своевременное выявление PASC имеет важное значение для смягчения тяжести связанных с ним проблем со здоровьем. В этом исследовании рекомендуется использовать модель латентной передачи для интеграции данных о пациентах из разных регионов, извлечения аналитических выводов из данных и предоставления персонализированных решений в области здравоохранения. В этом исследовании показан потенциал модели обучения латентного переноса для улучшения упрощения данных, обобщения, персонализации, обнаружения инсайтов, вариативности, масштабируемости и адаптивности для улучшения результатов в области общественного здравоохранения.
Коронавирусная инфекция 2019 года (COVID-19) была впервые выявлена в Ухане, Китай. 31декабря 2019 года Китай сообщил во Всемирную организацию здравоохранения (ВОЗ) о воспалительных заболеваниях легких неизвестной этиологии, замеченных в городе Ухань, провинция Хубэй, Китай1. С 31декабря 2019 года по3 января 2020 года 44 человека были инфицированы этим вирусом и имели контакты с оптовым рынком "Huanan Seafood". Первоначально у пациентов наблюдалась лихорадка, усталость и сухой кашель. Вспышка этого вируса произошла 30января 2020 года, и ВОЗ1 объявила ее чрезвычайной ситуацией в области общественного здравоохранения, имеющей международное значение. К середине февраля 2020 года от нового коронавируса пострадали более 25 стран, в Китае и других странах было зарегистрировано 70 635 и 794 случая соответственно. Официально было объявлено об одной тысяче семисот семидесяти двух смертях (1772 г.) в Китае и трех смертях во всех странах. 31декабря 2019 года было зарегистрировано несколько случаев заражения пневмонией, и ВОЗ сообщила, что в Ухане не было зарегистрировано ни одного случая смерти. В Таиланде 13января 2020 года в Бангкоке было объявлено о первом случае заболевания 61-летней китаянки, которая вернулась из города Ухань8 января 2020 года после посещения города Ухань. У нее были симптомы с болью в горле, кашлем, лихорадкой, ознобом и головной болью. 8января 2020 года у человека был положительный результат теста на COVID-19 в ходе теплового наблюдения, и в тот же день тайские офицеры госпитализировали его. Человек выздоровел от болезни. Структура генетического секвенирования вируса была общей для китайского правительства и позволила большему количеству стран эффективно обследовать и диагностировать пациентов2.
В Соединенных Штатах Америки первый случай заболевания был зарегистрирован в Вашингтоне 19января 2020 года в отношении 35-летнего мужчины, который вернулся из города Ухань 15января 2020 года после встречи со своей семьей. С 15января 2020 года у него появились симптомы кашля и лихорадки, и ему было рекомендовано пройти медицинские обследования. Он не контактировал с инфицированным COVID-19 человеком, но во время визита в Ухань заразился COVID-19 из-за вспышки в Китае. 20 января 2020года у него был положительный результат теста на COVID, и он был помещен на карантин в изоляторе медицинского центра. После поступления в изолятор он чувствовал себя нормально с частотой пульса 110/мин, артериальным давлением 134/87 мм рт.ст., температурой тела 37,2 °C, частотой дыхания 16 уд/мин и 96% сатурацией кислорода при нормальной аускультации легких. Проводились регулярные контрольные и исследовательские тесты на COVID, в результате чего он отмечал кашель, тошноту и рвоту в течение двух дней3. На второй день госпитализации он пожаловался на дискомфорт в животе, а на следующий день на рентгенограмме грудной клетки не было никаких признаков отклонений. Тем не менее, на пятый день на рентгенограмме грудной клетки были обнаружены значительные признаки пневмонии, а сатурация кислорода упала до 90%. Ему посоветовали пройти кислородную терапию, которая была дополнена для улучшения уровня сатурации. На8-й день ее состояние улучшилось, и ее выписали из клиники. В Индии первый случай заболевания был зарегистрирован в штате Керала 27января 2020 г. у 20-летней женщины, вернувшейся из города Ухань в связи со вспышкой COVID-19 в Китае. С 23января 2020 года по 26января 2020 года у нее отсутствовали симптомы, а с 27января 2020 года у нее наблюдалась боль в горле и легкий кашель. Она не контактировала с инфицированными COVID-19, но во время поездки на поезде из Уханя в Куньмин заметила несколько человек с проблемами дыхания, простудой и кашлем. В связи с этим власти Кералы проинструктировали ее оставаться в изолированном месте и в ближайшие дни посетить медицинское учреждение при любых развитии симптомов COVID. После поступления в больницу общего профиля она была в норме с частотой пульса 82/мин, артериальным давлением 130/80 мм рт.ст., температурой тела 98,5 °F и 96% насыщением кислородом при нормальной аускультации легких. Регулярные контрольные и исследовательские тесты на COVID проводились на 3, 7 и 20 день со дня заболевания. Мазки из ротоглотки проводились в первый день и через день в течение 23 дней со дня болезни, а с17-го дня дали отрицательный результат. Она прошла все анализы и была выписана из больницы 20февраля 2020года4.
В Соединенном Королевстве первый случай COVID-19 был зарегистрирован 23января 2020 года 50-летней женщиной, которая вернулась из города Ухань после своего визита. Первоначально у нее не было симптомов, а 26января 2020 года у нее развились такие симптомы, как лихорадка, слабость, боль в горле и сухой кашель. После поступления в больницу общего профиля ее состояние было в норме с частотой дыхания 18/мин, артериальным давлением 120/80 мм рт.ст., температурой тела 37,6 °C и насыщением кислородом 97%. Проводились регулярные контрольные и исследовательские тесты на COVID, состояние пациента клинически стабильное. Первоначальные обследования показали у нее легкую лимфопению и повышение уровня С-реактивного белка. После3-го дня поступления в больницу у нее избавились от всех симптомов, а со второго дня пребывания в больнице были выявлены отрицательные результаты тестов мазка из ротоглотки. Она была изолирована на 2 недели, и ее тесты мазка из носа и горла были отрицательными5.
Коронавирусы (CoV) были открыты в 1960-х годах, и классифицировались они следующим образом. Orthornavirae называют царством/царством различных вирусов, которые содержат геномы, состоящие из рибонуклеиновой кислоты (РНК) и транслируемые с помощью РНК-зависимой РНК-полимеразы (RdRp). RdRp транскрибирует геном вирусной РНК в матричную РНК (мРНК) и реплицирует геном. Характеристики вирусов, входящих в состав Orthornavirae, включают эволюцию, генетические мутации, рекомбинацию и рекомбинацию6. Геномы, состоящие из РНК, бывают трех типов, а именно: вирусы с положительной цепью РНК, вирусы с отрицательной цепью РНК (-ssRNA вирусы) и двухцепочечные РНК (dsRNA вирусы). Вирусы с положительной цепью РНК (+ssRNA вирусы) представляют собой совокупность ассоциированных вирусов, которые имеют одноцепочечную РНК положительного смысла. Геном вируса +ssRNA может быть использован в качестве курьерской РНК (мРНК) и непосредственно трансформируется в белки, связанные с вирусом, рибосомами клеток хозяина. Вирусы +ssRNA связаны с такими типами, как Pisuviricota, Kitrinoviricota и Lenarviricota. Вирусы с положительной цепью РНК содержат различные патогены, такие как гепацивирус С, лихорадка денге, лихорадка Эбола, корь, бешенство, грипп, тяжелый острый респираторный синдром CoV, коронавирус ближневосточного респираторного синдрома CoV и тяжелый острый респираторный синдром CoV7. Вирусы с отрицательной цепью РНК (-ssRNA вирусы) представляют собой совокупность ассоциированных вирусов, которые имеют одноцепочечную РНК с отрицательным смыслом. Геном вируса -ssRNA можно рассматривать как курьерскую РНК (мРНК) и продуцировать ферментом под названием РНК-зависимая РНК-полимераза (RdRp). -ssRNA вирусы составляют тип Negarnaviricota. Вирусы с отрицательной цепью РНК содержат две основные ветви в типе, а именно Haploviricotina и Polyploviricotina. Важными вирусами ss-РНК позвоночных являются лихорадка Эбола, Ханта, грипп, лихорадка Ласса и бешенство. Двухцепочечные РНК-вирусы (дцРНК-вирусы) представляют собой совокупность полифилетических вирусов, имеющих двухцепочечные РНК-геномы. Геном дцРНК транскрибирует +ссРНК вирусной РНК-зависимой РНК-полимеразой (RdRp). Геном вируса +ssRNA может быть использован в качестве курьерской РНК (мРНК) и открыто трансформируется в белки, связанные с вирусом, рибосомами клеток хозяина. В свою очередь, геном вируса -ssRNA может служить курьерской РНК (мРНК) и продуцироваться ферментной РНК-зависимой РНК-полимеразой (RdRp). Вирусы дцРНК связаны с типами Duplornaviricota и Pisuviricota. К двухцепочечным РНК-вирусам относятся ротавирусы (поражающие детей младшего возраста) и вирус блютанга (поражающий крупный рогатый скот и овец)8.
Pisuviricota называют типом РНК-вирусов, который включает в себя все + ssRNA вирусы и дцРНК. Его низшая классификация включает три класса, а именно: Duplopiviricetes, Pisoniviricetes и Stelpaviricetes. Pisoniviricetes — класс вирусов +ssRNA, которые инфицируют и заражают эукариоты. Его нижняя классификация включает три подкласса, а именно Nidovirales, Picornavirales и Sobelivirales. Nidovirales — это порядок оболочечных +ssRNA, которые заражают и заражают позвоночных и беспозвоночных9. Он содержит подотряд вирусов, а именно: Abnidovirineae, Cornidovirineae, Nanidovirinae, Arnidovirineae, Mesnidovirineae и Tornidovirineae. К Nidovirales относят различные семейства, такие как Abyssoviridae, Coronaviridae, Nanghoshaviridae, Nanhypoviridae, Arteriviridae, Medioniviridae, Cremegaviridae, Mesoniviridae, Euroniviridae, Gresnaviridae, Roniviridae, Tobaniviridae, Mononiviridae и Olifoviridae8. Coronaviridae — семейство оболочечных вирусов +ssRNA, которые заражают млекопитающих, амфибий и птиц. Его нижняя классификация включает два подсемейства: Letovirinae и Orthocoronavirinae. Представители Orthocoronavirinae идентифицируются как коронавирусы. Коронавирусы — это подсемейство Coronaviridae, которое связано с РНК-вирусами, вызывающими инфекции у млекопитающих и птиц. У млекопитающих и птиц эти вирусы вызывают инфекции дыхательных мазков легкой и тяжелой степени, такие как инфекции мазков из верхних дыхательных путей и инфекции мазков из нижних дыхательных путей10. Эти вирусы вызывают SARS, MERS и COVID-19 у людей и некоторых млекопитающих, диарею у свиней и коров, гепатит и энцефаломиелит. Коронавирусы представляют собой оболочку +ssRNA, которые принадлежат к царству Orthornavirae, типу Pisuviricota, классу Pisoniviricetes, подклассу Nidovirales, семейству Coronaviridae и подсемейству Orthocoronavirinae. Коронавирусы подразделяются на четыре рода, а именно: альфа-коронавирус, бета-коронавирус, гамма-коронавирус и дельта-коронавирус11. На основе данного исследования формируются следующие гипотезы.
Мутация шипа коронавируса-2 тяжелого острого респираторного синдрома (SARS-CoV-2) чрезвычайно гликозилирована. Крайне важно изучить биологические последствия этих спайковых мутаций. Более одной мутации могут возникать в одной и той же позиции в последовательности шиповидного белка. Последовательности спайковых белков дали возможность оценить широкий спектр мутаций, обнаруженных по всему земному шару, и они представлены в таблице 1. Рассматриваемые мутации были следствием передачи вируса от человека к человеку. Вакцинация вызвала иммунные реакции, способные мощно нейтрализовать SARS-CoV-212. Хотя научные исследования обнаружили появление вариантов SARS-CoV-2, скрывающих мутации в шипе, основной целью оставалась нейтрализация антител хозяина. Появились новые признаки снижения нейтрализации некоторых вариантов SARS-CoV-2 после вакцинации. Производители вакцин разработали различные платформы для потенциального обновления структур вакцин, а также были проведены исследования генетических и антигенных вариаций в глобальной популяции вирусов с экспериментами, чтобы пролить свет на фенотипическое влияние мутаций.
База данных вирусов Национального центра биотехнологической информации (NCBI) содержит 10333 шиповидных белка SARS-CoV-2 человека из Африки, Азии, Европы, Северной Америки, Южной Америки и Океании. Распространение нескольких мутаций в шиповидных белках, исследованных из разных географических регионов, показано в приведенной выше таблице. Подробная информация о коронавирусах Альфа, Бета, Гамма и Дельта с их родами, особенностями и описанием представлена в таблице выше. Каждый род описывается по своим признакам, таким как фундаментальность, варианты, значение, форма, размеры, структура, слияние мембран, высвобождение, загрязнение и синтез14.
Как указано в таблице 1, у таких штаммов вирусов, как HCoV-229E, HCoV-OC43, HCoV-NL63 и HCoV-HKU1, наблюдались легкие и умеренные симптомы заболевания, в то время как у людей при SARS-CoV, MERS-CoV и SARS-CoV-2 наблюдались тяжелые критические симптомы заболевания. Вирусные микроорганизмы проходят через организм и заражают клетку-хозяина. В зависимости от категории коронавируса он поражает клетки в разных частях тела хозяина. Как только она прикрепилась к крепкой и здоровой клетке, она входит в нее15. После того, как вирус поселится внутри клетки-хозяина, он освободится от беспорядка, а его ДНК и РНК выйдут наружу и отправятся к ядру. Они будут перемещаться фрагментом, что приведет к различным размножениям вируса. Эти копии будут выходить из ядра для сборки и получать белок, который защищает их ДНК и РНК. Эти новомодные репродукции вируса освободят ранее инфицированные и больные клетки, чтобы снова загрязнить другие здоровые клетки-хозяева и размножаться. Если иммунной системе хозяина удастся бороться с коронавирусом, человек не заболеет; В противном случае могут возникнуть нездоровые осложнения. Если иммунная система не в состоянии контролировать коронавирус, это приводит к патогенезу. При этом вирус попадает в организм и поражает разные органы. В зависимости от того, насколько серьезны признаки или симптомы, человек будет отдыхать или обращаться замедицинской помощью. Жизненный цикл и различные штаммы коронавируса изображены на рисунке 1.
На приведенном рисунке подробно изображен жизненный цикл и стадии коронавируса. Существует семь стадий, а именно: (1) прикрепление и поступление, (2) слияние и эндоцитоз, (3) протеолиз, (4) трансляция и расщепление, (5) репликация, (6) экзоцитоз и (7) высвобождение зрелого вируса. На этапе прикрепления и госпитализации коронавирусные микроорганизмы поступают в организм хозяина, и цель состоит в том, чтобы разработать стратегии рекогносцировки и вмешательства, устойчивые к хозяину. Чтобы проникнуть в клетки-хозяева, эти вирусы сначала прикрепляются к поверхностному рецептору клетки для связывания, затем проникают в эндосомы и, в конечном итоге, начинают слияние. Позже коронавирус сливается с вирусными и лизосомальными оболочками в клетке-хозяине. Шиповидный белок, прикрепленный к поверхности вируса, препятствует проникновению этих вирусов. Эндоцитоз – это клеточный процесс, при котором вещество переносится в клетку-хозяина17. Материал, который должен быть принят, окружен рядом клеточных оболочек, которые затем выстреливают внутрь клетки-хозяина, образуя везикулу, охватывающую проглоченное вещество. Эндоцитоз включает в себя пиноцитоз и фагоцитоз; Первое – это питье в клетках, а во втором – клеточное питание. Протеолиз — это постатейное преобразование вирусных белков в минорные полипептиды/аминокислоты. Структурированная конверсия мРНК — это посттранскрипционный процесс, который сдерживает коммуникацию генов и быстро расходится с изобилием белков. Он играет важную роль в обширных биологических процессах, таких как рост клеток, клеточный прогресс, синаптическая пластичность, реторты стресса ипродуктивное вирусное развитие. Процедуру вирусной трансляции можно разделить на три этапа, а именно: инициирование, удлинение и растворение.
Репликация вируса — это процесс создания генетических вирусов путем загрязнения инфицированных клеток-хозяев. Чтобы произошло размножение вируса, вирусы должны сначала проникнуть в клетку-хозяина. Многократно реплицируя свой вирусный геном и инкапсулируя эти копии, вирусы выживают и продолжают распространяться, заражаяновые клетки-хозяева. Экзоцитоз – это механизм, с помощью которого везикулы, содержащие вирусные частицы, секретируются и высвобождаются из инфицированной клетки, что позволяет вновь образованным вирусам проникать в организм хозяина и заражать дополнительные здоровые клетки. Постострые последствия SARS-CoV-2 (PASC) признаны синдромом, который в первую очередь поражает легкие, хотя он может поражать несколько органов, что приводит к повреждению органов или даже отказу органов20. Такие осложнения могут привести к смерти или долгосрочным проблемам со здоровьем. Например, в сердце может развиться повышенный риск сердечной недостаточности или других осложнений; Легкие могут испытывать долгосрочные трудности с дыханием после пневмонии; мозг может быть поражен инсультами, судорогами или синдромом Гийена-Барре; Кроме того, почки могут быть повреждены, что может привести к септическому шоку. Повреждение печени может произойти из-за дисбаланса ферментов, в то время как рабдомиолиз приводит к разрушению мышечной ткани, высвобождению миоглобина в кровоток, что может стать смертельным, если почки не смогут быстро его отфильтровать. Дополнительные осложнения включают образование аномальных тромбов, вызывающих внутреннее кровотечение и органную недостаточность, вторичные инфекции от бактерий, таких как стрептококк или стафилококк, диссеминированное внутрисосудистое свертывание из-за дисфункциональных реакций свертывания крови, а также хроническую усталость, часто сопровождающуюся туманом в голове, сильной усталостью, головокружением или нарушением мышления. Исходя из этих проблем, предлагаются следующие гипотезы: H1: Использование алгоритма трансферного обучения может значительно повысить точность прогнозирования и переносимость моделей за счет применения эпидемиологических данных для определения PASC, специфичных для региона. H1a: Модели глубокого обучения, которые точно настроены с использованием эпидемиологических данных, работают лучше, чем другие модели. H1b: Сочетание региональных детерминант PASC с моделями трансферного обучения повышает точность и эффективность классификации и кластеризации. H1c: Эта комбинация также может выявить ранее нераскрытые или упущенные из виду закономерности, специфичные для региона. H1d: Трансферное обучение позволяет сократить время обучения и ускорить сходимость по сравнению с другими моделями.
Access restricted. Please log in or start a trial to view this content.
Данное исследование проводилось в соответствии с этическими принципами для исследований с использованием данных человека. Все данные о пациентах, использованные в этом исследовании, были полностью анонимизированы до получения доступа и анализа. Никакая личная информация не использовалась. Протокол исследования был рассмотрен и одобрен Институциональным наблюдательным советом (IRB) в соответствии с Хельсинкской декларацией. В соответствующих случаях разрешения на доступ к данным были получены от соответствующих органов или репозиториев данных. Поскольку это исследование включает в себя вторичный анализ обезличенных данных, ЭСО отказался от информированного согласия. Предложенная модель латентного переноса представляет собой метод полуконтролируемого обучения на основе машинного обучения, предназначенный для поиска скрытых закономерностей и их переноса из исходного набора данных в целевой набор данных, что обеспечивает ее высокую пригодность для анализа эпидемиологических проблем PASC16. Постковидные состояния часто проявляются различными симптомами в разных группах населения, что приводит к противоречивым и разрозненным данным. Предлагаемая работа направлена на решение проблемы разреженности данных из-за различных симптомов в разных регионах путем изучения улучшенных латентных представлений для представления скрытых закономерностей здоровья из наборов данных и представления их в виде новых наборов данных. Для выполнения этого преобразования эти методы скрытой передачи используют автоматические или вариационные кодировщики для представления как исходных, так и целевых данных в общем скрытом пространстве. И это общее пространство защищает полученные скрытые закономерности, поскольку кластеры постковидных симптомов хорошо сохраняются в различных регионах21. Прототип может развиваться дальше за счет улучшенного обобщения с адаптацией предметной области. Используя этот подход, модель может помочь распознавать и прогнозировать кластеры риска, а также поддерживать эпиднадзор за общественным здравоохранением в отдаленных районах. Эта работа также улучшает обучение за счет снижения зависимости от полностью размеченных данных. Таким образом, предложенный подход становится мощным инструментом для анализа пробелов благодаря своему обобщенному подходу к различным популяциям.
1. Источники и сбор данных
В этом исследовании использовались общедоступные наборы данных Kaggle (Набор данных о сердечно-сосудистых заболеваниях, Набор данных для прогнозирования рака, Набор данных для прогнозирования ранних стадий диабета и Набор данных для прогнозирования психического здоровья). Таким образом, одобрение IRB в данной подаче не требуется.
Для наборов данных, включающих данные изображений, предварительная обработка проводилась с помощью Python с библиотеками TensorFlow и OpenCV. Этапы предварительной обработки включали изменение размера изображения (например, 224 × 224 пикселя), преобразование оттенков серого или RGB, нормализацию значений пикселей до диапазона [0, 1] и методы дополнения данных (поворот, отражение, масштабирование) для улучшения обобщения модели и уменьшения переобучения. Затем массивы изображений были преобразованы в массивы NumPy для дальнейшей обработки и ввода модели.
Для выбора признаков была реализована рекурсивная элиминация признаков (RFE) с помощью класса RFE Scikit-learn, обычно в сочетании с оценщиком логистической регрессии или случайного леса. Количество выбранных объектов варьировалось в зависимости от набора данных, но общая конфигурация заключалась в том, чтобы уменьшить размерность до 10-15 наиболее влиятельных объектов на основе рекурсивной оценки. Этот метод повысил точность классификации при одновременном снижении вычислительной сложности и переобучения модели.
В этом исследовании использовались четыре общедоступных набора данных от Kaggle. Набор данных о сердечно-сосудистых заболеваниях, набор данных о прогнозировании рака молочной железы, набор данных о прогнозировании диабета на ранних стадиях и набор данных о прогнозировании психического здоровья. Эти наборы данных были загружены непосредственно из Kaggle и состоят из структурированных табличных данных, содержащих клинические атрибуты и атрибуты, основанные на опросах. Предварительная обработка данных проводилась с использованием Python с ключевыми библиотеками, такими как Pandas для обработки данных, NumPy для численных операций и Scikit-learn для предварительной обработки данных, выбора признаков и моделирования. Отсутствующие значения были условно исчислены с помощью стратегий среднего или модового значения, категориальные переменные были закодированы с помощью One-Hot или Label Encoding, а числовые признаки были масштабированы с помощью StandardScaler или MinMaxScaler. Для несбалансированных классов применялся метод SMOTE (Synthetic Minority Oversampling Technique) из пакета imblearn. Рекурсивное исключение признаков (RFE) было реализовано с помощью модуля RFE от Scikit-learn с такими оценками, как Logistic Regression и Random Forest, и количество функций обычно сокращалось до 10-15 наиболее влиятельных из них на основе метрик производительности модели, таких как ROC-AUC и точность.
2. Архитектура модели
В этом исследовании предлагается вариант алгоритма нейронной сети, называемый моделью латентного переноса, для обучения входных изображений из базы данных изображений COVID-19. Данная работа эффективна в преодолении проблемы исчезающего градиента при построении глубокой нейронной сети. Несмотря на то, что существуют различные варианты нейронных сетей с различными конфигурациями слоев, эта работа в первую очередь сосредоточена на реализации методов остаточного обучения в процессе обучения глубоких нейронных сетей. В предлагаемой модели латентного переноса используется усовершенствованный алгоритм ResNet-50 с каркасом сверточного слоя 7 x 7, а также плоские и плотные слоистые сети. Эти слои используются для преобразования изображений и многоклассовой классификации пациентов с PASC по регионам для выделения паттернов22. В этой работе рассматриваются входные изображения размером 256 x 256 x 3 с использованием эффективных гиперпараметров, поведения при обучении, процедур оптимизации и объемов партии. Предлагаемая модель латентного переноса учитывает набор данных из 12 946 изображений для классификации пациентов с активным риском развития сердечно-сосудистых заболеваний, рака, хронических респираторных заболеваний, диабета и проблем с психическим здоровьем. Детали набора данных и гиперпараметры приведены в Таблице 2 и Таблице 3 соответственно.
Чтобы обеспечить воспроизводимость, все этапы реализации, предварительной обработки и оценки модели проводились в контролируемой среде с использованием Python в Jupyter Notebook на системе под управлением Windows 11, оснащенной процессором Intel Core i7 (11-го поколения), 16 ГБ ОЗУ и графическим процессором NVIDIA GeForce RTX 3060 (для любой ускоренной обработки, хотя графический процессор не был необходим для этих наборов данных). Используемые программные библиотеки включают Pandas 1.5.3, NumPy 1.24, Scikit-learn 1.3.0, Imbalanced-learn 0.11.0 для SMOTE, Matplotlib 3.7.1 и Seaborn 0.12.2 для визуализации. Предварительная обработка включала обработку отсутствующих значений с помощью импутации среднего/моды, кодирование категориальных переменных с помощью One-Hot или Label Encoding, а также масштабирование функций с помощью StandardScaler. При разработке модели использовались такие классификаторы, как Logistic Regression, Random Forest и Support Vector Machines, с рекурсивным устранением признаков (RFE) для уменьшения размерности. Модели оценивались с помощью 5-кратной перекрестной проверки, а производительность измерялась с помощью таких показателей, как точность, полнота и оценка ROC-AUC, что обеспечивало согласованность и воспроизводимость конвейера.
3. Предварительная обработка и проектирование характеристик
Для извлечения статистически значимых признаков из этих наборов данных используется метод предварительной обработки под названием "Выбор признаков с использованием рекурсивного устранения признаков (RFE)" и конвейер моделирования под названием "Transfer Learning with Multi-Layer Perceptron (MLP)".
4. Обучение и валидация
Для оценки предложенного подхода к анализу и прогнозированию симптомов PASC был использован организованный подход к обучению и валидации. Сначала было применено иерархическое разделение на тренировочный тест для получения кумулятивной системы меток классов с соотношением обучающих и тестовых данных 80:20. Затем была реализована k-кратная перекрестная проверка с k = 5 на обучающих данных для оценки надежности модели при различных разбиениях данных. Был применен классификатор MLP с двумя скрытыми слоями (64 и 32 нейронами) и 300 итерациями. Были реализованы дальнейшие методы представления функций и трансферного обучения.
5. Метрики оценки
Точность, F-измерение, G-среднее, MAPE, чувствительность и специфичность были рассчитаны на основе тестовых данных для сравнения производительности предложенной модели. Результаты иллюстрируют улучшение метрик оценки, точности, F-измерения, G-среднего, MAPE, чувствительности и специфичности на тестовых данных для сравнения производительности предложенной модели с другими современными моделями, а именно VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN, MobileNetV2 CNN и предложенной моделью латентного переноса. Приведенный выше набор данных содержит обучающие, валидационные и тестовые образцы данных, связанных с сердечно-сосудистыми системами, раком, хроническим респираторным заболеванием, диабетом и психическими заболеваниями.
Все эксперименты проводились в среде Windows 11 с использованием Python 3.10 на системе с процессором Intel Core i7, 16 ГБ оперативной памяти и графическим процессором NVIDIA RTX 3060. Общедоступные наборы данных Kaggle были предварительно обработаны с использованием Pandas, NumPy и Scikit-learn для импутации отсутствующих значений, кодирования, масштабирования и выбора функций с помощью рекурсивного устранения признаков (RFE). Такие модели, как Logistic Regression, Random Forest и SVM, были обучены и оценены с использованием 5-кратной перекрестной проверки с такими метриками, как точность, полнота и ROC-AUC для обеспечения воспроизводимости и согласованности производительности.
В приведенной выше таблице приведены подробные сведения о гиперпараметрах и методе или алгоритме, который их использует. Для алгоритма оптимизатора Adam приведены скорость обучения, техника ранней остановки, размер пакета, размер эпохи, обратные вызовы, функция потерь и метрики для измерения эффективности.
Access restricted. Please log in or start a trial to view this content.
Предложенная модель сравнивается с существующими моделями передачи, включая VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN и MobileNetV2 CNN. Детали параметров и результаты сравнения показаны в таблицах 4, 5 и 2 соответственно. Результаты иллюстрируют улучшение метрик оценки за счет использования предложенной модели по сравнению с другими моделями, а именно VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN и...
Access restricted. Please log in or start a trial to view this content.
Предложение сосредоточено на построении модели обучения со скрытым переносом для борьбы с последствиями PASC. Такая структура приводит к серьезным проблемам с физическим и психическим здоровьем, особенно у людей среднего и пожилого возраста, а также у тех, кто подвержен хроническим заболеваниям, таким как сердечно-сосудистые заболевания, рак, респираторные заболевания и диабет. Конечная цель состоит в том, чтобы унифицировать различные данные о пациентах из разных популяций с помощью мод...
Access restricted. Please log in or start a trial to view this content.
Авторы заявляют об отсутствии конфликта интересов в связи с публикацией данной статьи.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| Среда облачных вычислений (например, Google Colab / AWS EC2) | Google / Amazon | Н/Д | Используется для обучения моделей глубокого обучения с ускорением GPU |
| Эпидемиологический набор данных (постострые последствия SARS-CoV-2, региональные) | Репозитории данных общественного здравоохранения (например, ВОЗ, CDC, ICMR, региональные больницы) | Н/Д | Набор данных для экспериментов по переносу обучения |
| Записная книжка Jupyter | Проект Jupyter | Открытый исходный код | Интерактивная среда для программирования и документирования |
| Керас | Открытый исходный код | Интеграция с TensorFlow | Высокоуровневый API для создания и обучения моделей глубокого обучения |
| Matplotlib / Seaborn | Открытый исходный код | Н/Д | Библиотеки визуализации, используемые для построения графиков и анализа эпидемиологических тенденций |
| НумПи | Открытый исходный код | Н/Д | Библиотека численных вычислений |
| Панды | Открытый исходный код | Н/Д | Библиотека обработки и анализа данных |
| Предварительно обученные модели СНС/Трансформеров (например, модели на основе EfficientNet, BERT) | Концентратор TensorFlow / HuggingFace | Для конкретной модели | Используется для передачи обучения и тонкой настройки эпидемиологического прогнозирования |
| Python (версия 3.8 или выше) | Python Software Foundation | Открытый исходный код | Язык программирования, используемый для предварительной обработки данных, обучения и оценки моделей |
| Scikit-learn | Открытый исходный код | Н/Д | Библиотека машинного обучения для предварительной обработки, метрик оценки и базовых моделей |
| TensorFlow (версия 2.x) | Гугл | Открытый исходный код | Фреймворк глубокого обучения, используемый для трансферного обучения и развертывания моделей |
Access restricted. Please log in or start a trial to view this content.
Request permission to reuse the text or figures of this JoVE article
Request Permission