提升確診正確度！人工智慧機器學習模型  可預測COVID-19檢測結果

編譯／Elisa

目前最常用來檢測COVID-19病毒的技術，是血清檢測和分子檢測，前者看的是血清陽轉率(seroconversion)，也就是人體產生抗體到可檢測的程度，後者則端看病毒載量。兩種方式都需要時間測試，患者免疫反應與病毒載量變化，也容易出現同一人有兩次不同測試結果。不過美國佛羅里達大西洋大學(FAU)的電氣工程與計算機科學系團隊找到新方法，透過機器學習(machine learning)的人工智慧，了解血清檢測與分子檢測的關聯，找出哪些特徵能有效區分COVID-19檢測結果。

團隊訓練出五組運算法：隨機森林(Random Forest)、極限梯度提升(XGBoost)、邏輯迴歸(Logistic Regression)、支持向量機(Support Vector Machine, SVM)和神經網絡(Neural Network)，預測COVID-19檢測結果，並利用病毒症狀特徵、發燒等症狀出現的天數、年齡與性別，創造了預測系統。

團隊表示COVID-19 會出現各種症狀，收集數據過程容易出錯，需要統一標準減少症狀特徵數量，因此使用裝箱問題演算方式(binning approach)，將類似症狀分到不同箱子，研究人員也發現出現症狀後的天數，對檢測呈陽性結果來說很重要。

結合裝箱問題運算與五組機器學習演算法，產生的預測結果，占了ROC曲線下所覆蓋超過81%的面積，分類準確率也超過76%。科學家樂觀表示，以人工智慧為基礎的預測建模方式，有望成為未來對抗傳染病極健康問題的強大助力。

原文出處：Interesting Engineering

瀏覽 617 次