Voir
❯
Image
❯Prédiction de la tuberculose multirésistante à partir d'images pulmonaires CT basées sur des techniques d'apprentissage en profondeur
Divertissement et médias - Balisage des métadonnées
Classification des déchets solides basée sur l'IA
Éducation - Générateurs de contenu automatisés
Diagnostic des cultures et recommandations de produits via l'IA
Vision par ordinateur - Segmentation d'images
Modèle de prévision et d'impact des catastrophes et des urgences
Grand public
Soins de santé - Améliorer le travail d'enquête
Prédiction de la tuberculose multirésistante à partir d'images pulmonaires CT basées sur des techniques d'apprentissage en profondeur
Grand public
Éducation - Contenu d'apprentissage intelligent
Un robot autonome améliore la précision chirurgicale grâce à l'IA
Modèle de prévision et d'impact des catastrophes et des urgences
Grandes entreprises
Comptabilité et finance - Automatisez la gestion des factures et des dépenses
Prédiction de la tuberculose multirésistante à partir d'images pulmonaires CT basées sur des techniques d'apprentissage en profondeur
Pour:
Les cliniciens et les professionnels de la santé prédisent les patients multirésistants (MDR) des patients sensibles aux médicaments (DS) sur la base d'images pulmonaires CT.Objectif:
Amélioration de l'efficacité des employésProblème adressé
Certaines versions, ou anomalies, de la tuberculose sont résistantes à plusieurs médicaments utilisés pour traiter cette maladie/infection. Bien que ces anomalies puissent parfois être observées et référencées dans les tomodensitogrammes pulmonaires par des cliniciens professionnels (médecins), elles ne sont parfois pas évidentes. La procédure de diagnostic classique consiste à appliquer une culture microbiologique qui prend plusieurs semaines et reste coûteuse.
Description
Pour compléter la procédure de diagnostic conventionnelle, la tomographie par ordinateur (CT) à haute résolution des images pulmonaires a été utilisée non seulement pour aider les cliniciens à accélérer le processus de diagnostic, mais également pour surveiller le pronostic lors de l'administration d'antibiotiques. En conséquence, l'architecture proposée de CNN + SVM + patch est la plus performante avec un taux de précision de classification de 91,11 %, sur ces scans d'images.
Voir - Image
IA: Percevoir
Apprentissage automatique
IA: Comprendre
Aide à la Décision - Diagnostiquer
IA: Agir