将数字双胞胎和深度学习集成到新冠肺炎时代的医学图像分析中

数字双胞胎是设备和过程的虚拟表示，在医疗设备和技术的上下文中捕捉环境的物理属性和操作算法/技术。数字双胞胎可以让卫生保健组织确定改进医疗流程、增强患者体验、降低运营费用和扩大护理价值的方法。

在当前COVID-19大流行期间，各种医疗设备例如x射线和CT扫描机器和程序，不断被用于收集和分析医学图像．在以图像形式收集和处理大量数据时，机器和流程有时会出现系统故障，给医院和患者带来严重问题。

为了解决这个问题，一项发表在虚拟现实与智能硬件介绍了一种与医疗设备集成的基于数字孪生的智能医疗保健系统，用于收集有关设备/机器/系统的当前健康状况、配置和维护历史的信息。此外，通过使用深度学习模型分析医学图像，即x射线，以检测COVID-19的感染。

系统设计基于级联递归卷积神经网络(RCNN)体系结构。在这种架构中，检测器阶段更深入，对小而近的假阳性更有顺序选择。该体系结构是RCNN模型的多阶段扩展，使用一个阶段的输出对另一个阶段进行连续训练。在每个阶段，调整边界框，以在不同阶段的训练中找到最近的假阳性的合适值。通过这种方式调整探测器的布置，增加交集大于并集，克服了过拟合的问题。这项研究通过使用x射线图像来训练模型，因为模型之前是在另一个数据集上训练的。

该系统在COVID-19检测阶段具有良好的准确性。实验结果表明了该方法的有效性体系结构，其平均精度为0.94。