优化并行初始化的COVID-19筛查软件

软件影响13（2022）100337原始软件出版物优化并行初始化的源代码：一个快速的COVID-19筛查软件Alireza Tavakoliana，FarshidHajatib， AlirezaRezaeea，AmirhosseinOliaeiFasakhodia，Shahadat Uddinca德黑兰大学新科学与技术学院机电一体化工程系，N Kargar，1439957131，德黑兰，伊朗b悉尼维多利亚大学工程与科学学院，160 Sussex Street，Sydney，NSW 2000，澳大利亚c悉尼大学工程学院项目管理学院，悉尼，新南威尔士州2006年，澳大利亚A R T I C L E I N F O保留字：COVID-19冠状病毒H1N1病毒爆发筛查深度学习A B标准COVID-19和猪源性甲型流感（H1N1）都是引起全球严重关注的大流行病。这两种病毒具有相同的症状，并且发生在冲突时间轴上。 优化的并行初始（OPI）提出了一种新的策略，仅使用症状从H1N1中筛选COVID-19。本文提出了利用OPI和粒子群优化算法对特征进行预处理、筛选和确定特征重要性的过程。实验结果表明，筛查COVID-19、H1N1和既不是COVID-19也不是H1N1的准确率为98.88。代码元数据当前代码版本v1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-72可再生胶囊的永久链接https://codeocean.com/capsule/6231633/tree/v1法律代码许可证MIT许可证使用的代码版本控制系统由Python创建，支持GPU（3.7.3，miniconda 4.7.10）使用Python的软件代码语言、工具和服务编译要求、操作环境依赖性Linux操作系统，NVIDIA CUDA 10.1及更高版本如果可用，链接到开发人员文档/手册N/A支持电子邮件问题alireza. ut.ac.ir1. 介绍在2019年的最后几天，代号为COVID-19的新型冠状病毒在中国武汉出现。COVID-19在全球迅速蔓延，截至二零二二年五月二十日，已造成6，297，362人死亡[1]。COVID-19的各种变体在秋季和冬季造成了重大问题。流感病毒以其周期性发生和每年的经济影响而闻名[2]。每年的季节性流感流行在全球范围内感染300万10月至4月期间，这两种疾病的感染人数都有所增加。由于人体免疫系统的反应，H1N1的常见症状包括高烧、鼻炎和肌痛。严重的话，病毒性肺炎，已报告了细菌性肺炎和出血性支气管炎的叠加[4]。最常见的COVID-19COVID-19和H1N1的共同症状相似，这使得他们的筛查任务具有挑战性[6]。Optimized Parallel Inception是一种新的深度学习模型，旨在通过使用以下症状来解决这一挑战：本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。∗通讯作者。电子邮件地址：arrezaee@ut.ac.ir（A. Rezaee）。https://doi.org/10.1016/j.simpa.2022.100337接收日期：2022年5月21日;接收日期：2022年6月12日;接受日期：2022年6月17日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsA. Tavakolian，F.Hajati，A.Rezaee等人软件影响13（2022）1003372Gathering’, ‘Visited Public Exposed Places’, and ‘Family Working inPublic Exposed在本文中，我们提出了一种新的深度学习模型，名为优化并行初始（OPI）[7]，结合粒子群优化（PSO）[8]来选择最佳特征集，并将COVID-19和H1N1患者与既不是COVID-19也不是H1N1区分开来。提出的模型帮助医疗保健系统仅使用18个特征就能以98.88%的准确率检测患者，COVID-19和H1N1的筛查准确率分别为99.2%和99.6%。建议的结构针对空值进行了很好的调整， 使用10个特征，仍然报告97%的准确率。2. 用PSOOPI由3头卷积神经网络（CNN）[9]使用症状信息的组合来筛选COVID- 19和H1N1患者，既不是COVID-19也不是H1N1。提出的结构使用一维卷积层，并使用三种不同的路径来提取可区分的特征。每个头分别预测一个类，并根据每个头实现的准确性，最后使用 拟议结构如图所示。1.一、2.1. 复合卷积层提出的结构由传统的一维卷积层开始。然后在整个OPI中使用一组具有不同内核大小的初始层。这些初始层负责提取共同发生和合并症症状之间的关系。最早的初始层由具有7和9个内核大小的卷积层组成。 OPI的上层由具有3和5个内核大小的卷积层组成。过滤器大小的层次结构正好相反。2.2. 决策层OPI的最后一层是决策层。这一层的目的是选择最佳策略来预测实例的类别。 第一种策略利用训练阶段主路径和两个辅助路径的精度差。如果差值>= 0.1%，则具有最大精度的路径的输出将确定模型在测试阶段的决策。如果差值为0.1 in在训练阶段，所有路径的软投票决定了OPI2.3. PSOPSO与OPI相结合，选择最小的特征子集，以达到可接受的筛选精度。PSO使用OPI与随机子集的功能，并尝试预测类 的实例。然后，粒子群算法扩大搜索范围，用不同的特征组合对OPI进行评价。PSO根据筛选精度和损失选择最佳特征集。2.4. 框架OPI与PSO结合使用最佳特征子集并筛选COVID-19和H1N1患者的整个过程都是在前向路径中实现的。首先在10批训练集和验证集上训练模型，然后根据每条路径的准确性差异使用其中一种策略。 用于预测未标记的实例。使用ADAM对所提出的结构进行训练，训练和评估的批量大小为32，学习率等于0.0001。为了正确训练模型，指数调度以30个历元间隔将学习率降低0.1，而不改变学习过程。整个框架在10个循环上训练，初始种群为20个个体。该框架重复这些循环，对于每个个体的粒子（建议的特征集）最多进行10次迭代，以找到最佳的特征集。最后，基于最佳结果和特征集的OPI的权重将被更新和保存的实时测试阶段。表1使用OPI对每个类别进行筛选的结果类别名称精密度灵敏度特异性AUROC既不是COVID-19也不是H1N1 100% 100% 95.46% 0.998甲型H1N1流感100% 100% 99.71% 0.9982019冠状病毒病96.48% 96.82% 100% 0.9913. 实证结果OPI已使用COVID-19、H1N1数据集进行了评估。 NVIDIA CUDA 10.1及更高版本是优化和快速解决方案的核心。我们建议用户将超参数设置为默认设置。代码海洋的Meta数据环境中提供了有关所3.1. 详细结果为了详细研究所获得的结果，我们在表1中报告了精密度、灵敏度、特异性和受试者操作特征下的面积（AUROC）。基于表1，在类别“既不是COVID-19也不是H1N1”和类别“COVID-19”中实现的特异性结果显示，“COVID-19”类别中真阴性病例的检出率高于“既不是COVID-19也不是H1N1”类别。虽然，根据已达到的灵敏度，“既不是COVID-19也不是H1N1”的真阳性病例的检出率远高于“COVID-19”类别。 此外，在拟议的OPI患者中检测H1N1比COVID-19更准确。建议模型与类似研究的比较见表2。框架的实证结果显示出以下特点：• 更高的性能：拟议的OPI以准确的精度和高灵敏度检测COVID-19和H1N1患者。在COVID-19检测的情况下，OPI优于ML和深度学习（DL）算法，如顺应性增强[10]，RF [11]，逻辑回归（LR）[12]，支持向量机（SVM）[13]和贝叶斯网络[14]。• 智能特征选择：OPI与新看到的数据兼容，可用于填充空值或仅使用子集用于筛查COVID-19和H1N1患者的可用症状既不是COVID-19也不是H1N1。4. 影响和未来应用OPI是一种积极处理呼吸道病毒症状并从H1N1患者中筛选COVID-19的算法。 与仅针对患者COVID-19检测开发的类似研究相比，OPI可以检测COVID-19和H1N1患者，但可以区分COVID-19和H1N1患者。 在真阳性和真阴性检测率的情况下，OPI性能优于其他ML和DL算法。所提出的模型通过快速筛查和减少人际互动来帮助医疗服务提供者应对流行病。OPI筛查能力也有助于医疗保健提供者调整模型，以区分COVID-19的各种菌株。OPI的未来由不同的可能性组成。发展中在线应用程序，用于收集更多数据集并基于新数据集调整OPI。OPI可以成为精确筛查COVID-19新变种的第一个响应应用程序。OPI的另一个潜在领域是改变OPI本身的结构。通过使OPI变浅和减少层数来降低OPI的训练成本，提高OPI向最优解的收敛性OPI的能力也有助于传播其他疾病。因此，将筛查可能性扩展到COVID-19、H1N1和既不是COVID-19也不是H1N1是OPI的另一条道路。调整OPI以筛查H5 N1、季节性流感、B-维多利亚流感、COVID-19，A. Tavakolian，F.Hajati，A.Rezaee等人软件影响13（2022）1003373Fig. 1. 优化的并行初始（OPI）架构。A. Tavakolian，F.Hajati，A.Rezaee等人软件影响13（2022）1003374表2建议的模型与COVID-19检测的类似工作的比较作者型号名称准确度灵敏度特异性最重要的特征Zoabi等人（2021）增敏（2020）RF 94% 75%（2020）LR 96.2% 96%疾病de Moraes Batista等人（2020）SVMShi等人（2021年）RF 87.9% 90.7% 83.3%感染人数Canas et al.（2021）贝叶斯网络疼痛，持续咳嗽，腹痛，脚上起水泡，眼睛酸痛和不寻常的肌肉疼痛申报型号OPI 98.88% 98.90% 98.39%干咳和呼吸问题和埃博拉病毒的相互作用扩展了OPI的可能应用。由于OPI能够区分具有相似症状的疾病，OPI的应用将扩展到检测相同病毒疾病的竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]Q. Zhang，P. Bastard，A. Cobat，J.- L. Casanova，严重covid-19肺炎的人类遗传和免疫学决定因素，Nature（2022）1-15。[2]V. Purohit，A. Kudale，N. Sundaram，S.约瑟夫角Schaetti，M.G. 2009年印度浦那h1n1流感大流行的公共卫生政策和经验。 J. 卫生政策管理。7（2）（2018）154.[3]J.L.阮，W。Yang，K.伊藤，T. D. Matte，J. Shaman，P.L. Kinney，季节性流感感染和心血管疾病死亡率，JAMA Cardiol。1（3）（2016）274-281。[4]T.N. Jilani，R.T. Jamil，A.H. Siddiqui，H1n1流感（猪流感），StatPearls[互联网]，2020.[5] L. Vaillant，G. La Ruche，A. Tarantola，P. Barboza等人， 2009年h1n1流感大流行相关致死病例的流行病学，Eurosurveillance 14（33）（2009）19309。[6] A.M. Foust，A.J. Winant，W.C. Chu，K.M. Das，G.S. Phillips，E.Y.李，小儿SARS，H1N1，MERS，EVALI，现在冠状病毒病（COVID-19）肺炎：放射科医生需要知道的，美国。J.伦琴。215（3）（2020）736-744。[7]A. Tavakolian，F. Hajati，A. Rezaee，A.O. Fasakhodi， S. Uddin，Fast covid-19versus h1n1 screening using optimized parallel inception， Expert Syst. Appl.（2022）117551.[8]M.阿莫泽加尔湾Minaei-Bidgoli，使用特征精英机制优化基于多目标PSO的特征选择方法，专家系统应用113（2018）499-514。[9]D. Ghimire ， D. Kil ， S.- H. Kim ， A survey on efficient convolutional neuralnetworksandhardware acceleration，Electronics 11（6）（2022）945.[10] Y. 佐比 S. 德里-罗佐夫 N. 肖姆龙， 机 学习型预测 基于症状的covid-19诊断，Npj Digital Med. 4（1）（2021） 1-5.[11] C. Iwendi，A.K. Bashir，A. Peshkar等人， 使用提升随机森林算法预测新冠肺炎患者健康状况，Front。357.第357章.[12] 美国医学会Khanday，S.T.拉巴尼汗北鲁夫，麻省理工学院。Din，使用临床文本数据检测covid-19的基于机器学习的方法，Int. 12（3）（2020）731-739。[13] A.F. de Moraes Batista，J.L.米拉利亚，T.H.R. Donato，A. D. P. Chiavegatto Filho，急诊患者的Covid-19诊断预测：机器学习方法，2020年，medRxiv。[14] L.S. 卡纳斯角 Sudre，J.C. Pujol等人， 早期发现COVID-19在UK using self-reportedsymptoms：Alarge-scale，prospective，epidemiologicalsurveillancestudy，Lancet Digital Health 3（9）（2021）e587-e 5 9 8 .