多模态COVID-19检测：深度学习方法实现97.8%精度

随着COVID-19疫情的全球肆虐及其不断变异带来的挑战，准确、快速的病例识别成为公共卫生的关键需求。本文研究探讨了利用智能系统和机器学习技术对COVID-19病例进行多模态图像分类的方法。研究者们结合了胸部X线和CT扫描图像，以及相关的临床记录，构建了一个双模式检测系统。 该研究采用数据扩充技术来扩大数据集的范围，通过增加样本多样性来提高模型的泛化能力。他们运用了迁移学习策略，结合了Adam优化器和二进制交叉熵损失函数，这两种技术对于提升模型性能和稳定训练过程至关重要。研究团队尝试了五种不同类型的图像和文本模型，包括VGG16、ResNet50、InceptionResNetV2、和MobileNetV2等预训练模型，这些模型在医疗图像识别领域有着广泛的应用。 通过实验，最终的多模态方法实现了高达97.8%的测试准确性，证明了这种方法在识别COVID-19病例方面的有效性。值得注意的是，这种方法仅依赖于扫描图像和相关的临床注解，减少了依赖实验室测试的时间成本，并且可能在资源有限的地区提供更便捷的筛查手段。 整个研究分为两个主要部分：首先，介绍了COVID-19的起源和传播方式，强调了快速检测的重要性；其次，详细阐述了研究方法和所取得的成果，突出了多模态技术在医疗领域的潜力和实际应用价值。这一研究为COVID-19的早期诊断和管理提供了创新思路，同时也展示了人工智能在公共卫生应急响应中的积极作用。