portails et ressources inspirantes
https://arxiv.org/abs/2004.04019 : Une méthodologie de “machine learning” pour le “temps réel”, au sujet de la prévision d’éléments de l’épidémie de COVID-19 en 2019-2020, en utilisant des recherches sur Internet, des alertes d’actualité et des estimations à partir de modèles ” mécanistes”.
https://arxiv.org/abs/2005.02859 : Un modèle épidémique stochastique du COVID-19. Pour modéliser l’évolution des maladies avec des périodes de latence prolongées et la présence de patients asymptomatiques , ils définissent un simple SIR (Susceptible- Infected -Recovered) stochastique à temps discret . Celui-ci comporte à la fois les périodes de latence et la présence de zones de quarantaine, afin de saisir la dynamique de l’évolution de ce type de maladies.
https://arxiv.org/abs/2005.01578 : Un réseau de neurones convolutionnels profonds (CNN) pour le COVID-19 traitant d’une détection à l’aide de la radiographie pulmonaire. C’est un classificateur d’images basé sur CheXNet et du transfert learning utilisé pour classer les images de radiographie pulmonaire en fonction de trois étiquettes : COVID-19, pneumonie virale et normale. CheXNet est un DenseNet121 qui a été construit à deux reprises, d’abord sur ImageNet et ensuite, surla classification des pneumonies vis à vis d’autres (13) maladies pulmonaires, ceci sur une vaste base de données de radiographies pulmonaires
