Уважаемые коллеги, доброго времени суток! Представляем вам американское научное издание International Journal of Reliable and Quality E-Healthcare. Журнал имеет четвёртый квартиль, издаётся в IGI Global Publishing, его SJR за 2022 г. равен 0,129, печатный ISSN - 2160-9551, электронный - 2160-956X, предметные области - Лидерство и менеджмент, Приложения в области компьютерных наук, Управление медицинской информацией, Медицинские лабораторные технологии, Медицинская информатика. Вот так выглядит обложка:
Редактором является Анастасиус Моумтзоглоу, контактные данные - anas1@hol.gr, anastasius.moumtzoglou@gmail.com.
Дополнительный публикационный контакт - journaleditor@igi-global.com.
Миссия данного журнала заключается в содействии детальному анализу взаимодействия электронного здравоохранения и качества. Поскольку электронное здравоохранение воплощает в себе новые электронные технологии, транзакции через Интернет и передовые сети, необходимо фундаментальное переосмысление процессов здравоохранения. С этой целью журнал стремится выявлять, понимать, моделировать и внедрять соответствующие меры по обеспечению надежности и качества, ведущие к его обеспечению и улучшению электронного здравоохранения.
Адрес издания - https://www.igi-global.com/journal/international-journal-reliable-quality-healthcare/44660
Пример статьи, название - A New Classification Model Based on Transfer Learning of DCNN and Stacknet for Fast Classification of Pneumonia Through X-Ray Images. Заголовок (ABSTRACT) - Coronavirus has spread worldwide, with over 688 million confirmed cases and 6.8 million deaths. The results could be important as containment restrictions begin to be relaxed and we are not immune to new strains. They underscore the need to introduce increasingly effective techniques to deal with such a spread and help identify new infections more quickly, at a reasonable cost and with a minimum error rate. Machine learning models constitute a new approach, used increasingly in this field. In this proposed work, the authors built a classification model named CovStacknet based on StackNet metamodeling methodology combined with the deep convolutional neural network as the basis for feature extraction from x-ray images. Firstly, the proposed model used VGG16 as a transfer learning of deep convolutional neural networks and achieved an accuracy score of 98%. Secondly, the proposed model is extended to evaluate four other deep convolutional neural networks, ResNet-50, Inception-V3, MobileNet-V2 and DenseNet, and ResNet-50, has achieved the best performance.
Keywords: Customer ChurnStacknet, Deep Convolutional Neural Networks, DeepInsight, Halving, Machine Learning