33、机器学习方法预测 COVID-19 的比较研究

机器学习方法预测 COVID-19 的比较研究

在医疗保健领域，机器学习的应用越来越广泛，尤其是在预测和检测 COVID-19 方面。本文将介绍相关研究工作、背景知识，以及用于预测 COVID-19 病例的材料和方法。

1. 相关研究工作

近年来，利用机器学习和深度学习算法检测和预防 COVID-19 成为研究热点，不同的方法层出不穷：
- 基于医学图像的检测 ：Barstugan 等人使用中国浙江地区医院的腹部 CT 图像进行 COVID-19 的早期检测。他们从 150 张 CT 扫描图像中形成四个数据集，应用多种特征提取方法，如灰度共生矩阵、离散小波变换等，使用支持向量机算法进行分类。通过 10 折交叉验证，灰度共生矩阵和离散小波变换方法的分类准确率超过 97%，但该方法还需更多数据验证其有效性。
- 基于实验室数据的预测 ：Alakus 和 Turkoglu 利用巴西圣保罗医院的实验室数据，使用卷积神经网络（CNN）、长短期记忆网络（LSTM）等算法创建预测模型。结果显示，LSTM 算法在 10 折交叉验证中召回率达 99.42%，准确率为 86.66%；CNNLSTM 算法在训练 - 测试分割中召回率为 93.68%，准确率为 92.3%。
- 患者生存率预测 ：Yan 等人使用 XGBoost 算法预测中国武汉 404 名感染患者的生存率。该算法识别出 LDH、hs - CRP 和淋巴细胞是最重要的三个特征，模型准确率达 93%，在生存类别的召回率为 83%，死亡类别的召回率为 100%。
- 病例检测