一种智能的移动健康生态系统，利用偏振纹理卷积网络实现快速COVID-19诊断

《Biomedical Signal Processing and Control》：An intelligent mobile health ecosystem using polarimetric contexture convolutional network for rapid COVID-19 diagnosis

智能移动健康生态系统（MHE-Covid-19-PCCN）通过RBAEKF图像增强、PCCN深度学习和BTGO参数优化，显著提升COVID-19诊断准确性和效率，解决多技术系统协作问题，为实时医疗管理提供可靠支持。

　　

S. Venkatesan|J. Selvakumar|P. Nandini|M. Muthalagu

印度泰米尔纳德邦塞勒姆市Annapoorana工程学院信息技术系教授，邮编636308

摘要

针对2019冠状病毒病（Covid-19）的移动健康（mHealth）生态系统结合了移动技术、可穿戴设备和健康相关应用程序，提供个性化、可获取的医疗服务。该系统还支持实时追踪和诊断分析，以协助在疫情期间进行高效的医疗管理和决策。然而，确保不同技术和系统的协同工作是一个主要挑战，这可能会使数据整合变得复杂，并阻碍各种医疗服务提供者和设备之间的无缝通信。为了解决这个问题，本文提出了一种智能移动健康生态系统——MHE-Covid-19-PCCN，用于快速诊断Covid-19。该框架采用正则化偏差感知集成卡尔曼滤波器（RBAEKF）进行图像增强和去噪，从而提高胸部X光（CXR）图像的质量。经过处理的图像随后通过极化纹理卷积网络（PCCN）进行分类，并通过新颖的榕树生长优化（BTGO）算法进一步优化网络参数，以提高分类准确性。实验结果表明，该框架的准确率为97.5%、精确率为98%、召回率为97.5%、特异性为97%，优于其他对比模型。此外，BTGO在优化效率方面表现出色，与其他PCCN优化器相比，它能够在最短的计算时间内实现最高的准确率。这些结果证实，所提出的MHE-Covid-19-PCCN框架是一种高度准确、计算效率高且安全的mHealth诊断模型，适用于现实世界的医疗环境。

引言

Covid-19疫情的快速传播和高感染率引起了广泛关注，对全球健康和商业产生了重大影响[1]。这加剧了对快速、准确且经济有效的诊断方法的需求[2]。传统的诊断方法，包括临床症状观察、实验室检测以及计算机断层扫描（CT）和CXR等成像技术，有助于识别Covid-19病例[3]。然而，在感染早期阶段解读X光图像可能较为困难，因为视觉特征较为微妙[4]。为了解决这一问题，最近的研究探索了深度学习（DL）和机器学习（ML）模型，以辅助放射学诊断并自动化从CXR图像中提取特征[5]。这些模型在提高诊断准确性、减少人为错误和加快临床决策方面显示出巨大潜力[6]。此外，基于图像的自动化系统提高了患者处理能力和资源分配效率，这在公共卫生紧急情况下至关重要。尽管如此，ML在Covid-19检测中的应用仍面临一些挑战，如数据集有限、非标准化以及难以泛化到不同患者群体[7]。 与诊断自动化同步发展的是，物联网（IoT）和人工智能（AI）的进步通过移动健康（mHealth）平台改变了医疗服务的提供方式。通过整合可穿戴设备、云计算和智能决策支持系统，mHealth实现了远程监测、早期疾病检测和大规模医疗管理的预测分析[8]。研究表明，AI-IoT的结合不仅提高了诊断准确性，还提升了资源效率、实时可访问性和在大流行情况下的可扩展性[9]。 随着医疗系统的日益互联，数据隐私、完整性和安全性成为mHealth环境中的关键挑战。在移动和IoT网络之间交换敏感医疗数据需要确保信任、透明性和防篡改的信息管理机制[10]。区块链技术通过实现利益相关者之间的去中心化和可验证的数据共享而受到重视。最新研究表明，区块链可以保护患者记录免受未经授权的访问，同时支持医疗系统间的互操作性[11]。整合这种安全的数据管理方法可以创建一个安全高效的mHealth生态系统，既保障诊断可靠性，又保护患者数据[12]。CronaSona框架旨在克服基于ML的Covid-19诊断的局限性，并增强全球疫情应对能力。它在一个移动应用程序中集成了实时病例追踪、预测和医疗咨询功能[13]。利用基于Google Map的定位和预测建模，CronaSona能够监测感染动态并降低不确定性[14]。其他功能还包括基于CXR的诊断工具、医院床位追踪和公共卫生支持。CronaSona具有可扩展性，确保了诊断精度和在IoT连接的医疗系统间的安全、隐私保护的数据交换[15][16]。通过遵循医疗4.0和基于区块链的mHealth原则，它为构建可靠且全球可部署的医疗基础设施做出了贡献[17]。

文献综述

现有文献介绍了多种基于深度学习的移动健康生态系统在Covid-19诊断和医疗管理方面的研究。本文回顾了应用AI、ML和IoT实现疫情感知和安全医疗解决方案的关键研究。

Hassan[18]开发了CronaSona医疗生态系统框架，用于Covid-19的跟踪、专家咨询、预测和移动检测子系统。该框架规范了数据流和各组件之间的通信。

提出的方法

本研究提出了一种智能移动健康生态系统——MHE-Covid-19-PCCN。MHE-Covid-19-PCCN方法的框图如图1所示。CronaSona系统包含多个组成部分：利益相关者群体（包括管理员、医生、患者、健康个体和医院）、共享基础设施（如知识库、电子健康记录、数据库和用户界面）以及管理信息系统。

结果与讨论

本文讨论了MHE-Covid-19-PCCN的实际应用结果。DL技术的实现使用了Jupyter Notebook 6.4.6版本。Jupyter Notebook的使用简化了Python代码的执行过程，促进了开发和测试的顺利进行。评估了多个性能指标，包括准确性、精确度、召回率、F1分数、特异性、计算复杂性、计算时间和Cohen’s Kappa系数及ROC曲线。

结论

本研究成功开发并实现了用于快速诊断Covid-19的智能移动健康生态系统，利用Python编程语言解决了现有诊断框架的局限性。该工作的创新之处在于结合了RBAEKF进行高质量图像预处理、PCCN进行上下文感知的特征提取以及BTGO算法进行参数优化。这种混合结构克服了传统CNN、SVM和DenseNet模型的局限性。

伦理批准

本文未包含任何由作者进行的涉及人类参与者的研究。

代码可用性

不相关。

参与同意

不相关。

出版同意

不相关。

资金信息 本研究未获得公共、商业或非营利部门的任何特定资助。

CRediT作者贡献声明 S. Venkatesan：概念设计、方法论。 J. Selvakumar：监督。 P. Nandini：监督。 M. Muthalagu：监督。

利益冲突声明 作者声明他们没有已知的可能影响本文工作的利益冲突或个人关系。

致谢 无。