Amikomnet: estructura novedosa para un modelo de aprendizaje profundo para mejorar el rendimiento de la tarea de clasificación de COVID-19
Autores: Hanafi, Muh
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Amikomnet: estructura novedosa para un modelo de aprendizaje profundo para mejorar el rendimiento de la tarea de clasificación de COVID-19
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Coronavirus
Detección
Inteligencia artificial
Aprendizaje automático
COVID-19
Adaboost
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
Desde principios de 2020, el coronavirus se ha propagado ampliamente por todo el mundo. Fue detectado por primera vez en Wuhan, una provincia de China. Muchos investigadores han propuesto varios modelos para resolver problemas relacionados con la detección de COVID-19. Dado que los enfoques médicos tradicionales tardan mucho tiempo en detectar el virus y requieren pruebas de laboratorio específicas, la adopción de inteligencia artificial (IA), incluido el aprendizaje automático, podría desempeñar un papel importante en la resolución del problema. Una gran cantidad de investigaciones ha demostrado que la adopción de IA ha tenido éxito en la detección temprana de COVID-19 utilizando imágenes de rayos X. Desafortunadamente, la mayoría de la adopción de aprendizaje profundo para la detección de COVID-19 tiene las deficiencias de una detección de errores alta y costos de computación elevados. En este estudio, empleamos un modelo híbrido utilizando un auto-codificador (AE) y una red neuronal convolucional (CNN) (llamado AMIKOMNET) con un pequeño número de capas y parámetros. Implementamos un mecanismo de aprendizaje en conjunto en el modelo AMIKOMNET utilizando Adaboost con el objetivo de reducir la detección de errores en las tareas de clasificación de COVID-19. Los resultados experimentales para la clase binaria muestran que nuestro modelo logró una alta efectividad, con un 96.90% de precisión, un 95.06% de recuperación, un 94.67% de puntaje F1 y un 96.03% de precisión. El resultado experimental para la clasificación multiclase logró una precisión del 95.13%, una recuperación del 94.93%, un puntaje F1 del 95.75% y una precisión del 96.19%. La adopción de Adaboost en AMIKOMNET para la clase binaria aumentó la efectividad del modelo a una precisión del 98.45%, una recuperación del 96.16%, un puntaje F1 del 95.70% y una precisión del 96.87%. La adopción de Adaboost en AMIKOMNET en la tarea de clasificación multiclase también vio un aumento en el rendimiento, con una precisión del 96.65%, una recuperación del 94.93%, un puntaje F1 del 95.76% y una precisión del 96.19%. La implementación de AE para manejar la extracción de características de la imagen combinada con una CNN utilizada para reducir la dimensionalidad de las características de la imagen logró un rendimiento sobresaliente en comparación con trabajos anteriores utilizando una plataforma de aprendizaje profundo. La explotación de Adaboost también aumentó la efectividad del modelo AMIKOMNET en la detección de COVID-19.
Descripción
Desde principios de 2020, el coronavirus se ha propagado ampliamente por todo el mundo. Fue detectado por primera vez en Wuhan, una provincia de China. Muchos investigadores han propuesto varios modelos para resolver problemas relacionados con la detección de COVID-19. Dado que los enfoques médicos tradicionales tardan mucho tiempo en detectar el virus y requieren pruebas de laboratorio específicas, la adopción de inteligencia artificial (IA), incluido el aprendizaje automático, podría desempeñar un papel importante en la resolución del problema. Una gran cantidad de investigaciones ha demostrado que la adopción de IA ha tenido éxito en la detección temprana de COVID-19 utilizando imágenes de rayos X. Desafortunadamente, la mayoría de la adopción de aprendizaje profundo para la detección de COVID-19 tiene las deficiencias de una detección de errores alta y costos de computación elevados. En este estudio, empleamos un modelo híbrido utilizando un auto-codificador (AE) y una red neuronal convolucional (CNN) (llamado AMIKOMNET) con un pequeño número de capas y parámetros. Implementamos un mecanismo de aprendizaje en conjunto en el modelo AMIKOMNET utilizando Adaboost con el objetivo de reducir la detección de errores en las tareas de clasificación de COVID-19. Los resultados experimentales para la clase binaria muestran que nuestro modelo logró una alta efectividad, con un 96.90% de precisión, un 95.06% de recuperación, un 94.67% de puntaje F1 y un 96.03% de precisión. El resultado experimental para la clasificación multiclase logró una precisión del 95.13%, una recuperación del 94.93%, un puntaje F1 del 95.75% y una precisión del 96.19%. La adopción de Adaboost en AMIKOMNET para la clase binaria aumentó la efectividad del modelo a una precisión del 98.45%, una recuperación del 96.16%, un puntaje F1 del 95.70% y una precisión del 96.87%. La adopción de Adaboost en AMIKOMNET en la tarea de clasificación multiclase también vio un aumento en el rendimiento, con una precisión del 96.65%, una recuperación del 94.93%, un puntaje F1 del 95.76% y una precisión del 96.19%. La implementación de AE para manejar la extracción de características de la imagen combinada con una CNN utilizada para reducir la dimensionalidad de las características de la imagen logró un rendimiento sobresaliente en comparación con trabajos anteriores utilizando una plataforma de aprendizaje profundo. La explotación de Adaboost también aumentó la efectividad del modelo AMIKOMNET en la detección de COVID-19.