ایمان موکری - دانشجو کارشناسی ارشد مهندسی نرم افزار، موسسه آمورش عالی پیشتاران، شیراز، ایران
سپیده اسلامی - دانشجو کارشناسی ارشد مهندسی نرم افزار، موسسه آمورش عالی پیشتاران، شیراز، ایران
ندا احرار - دکترای مدیریت فناوری اطلاعات ( سیستم های اطلاعاتی )، موسسه آمورش عالی پیشتاران، شیراز، ایران

در میان داده های تصویربرداری رادیولوژی، عکسبرداری اشعه ایکس قفسه سینه ( CXR ) در مشاهده بروز کووید ۱۹ بسیار استفاده می شود. برای غربالگری انبوه، استفاده از CXR ، یک ابزار مبتنی بر هوش مصنوعی محاسباتی کارآمد، برای تشخیص موارد مثبت کووید ۱۹ از موارد غیر کووید ضروری است. به این منظور، یک شبکه عصبی کانولوشن سبک وزن ( CNN ) با معماری کم عمق متناسب ارائه داده ایم که با استفاده از CXR موارد مثبت کووید ۱۹ را بدون منفی کاذب بطور خودکار تشخیص میدهد. معماری کم عمق CNN در مقایسه با سایر مدلهای یادگیری عمیق با پارامترهای کمتری طراحی شده است. معماری متناسب با CNN کم عمق با استفاده از CXR های ۳۲۱ مورد مثبت کووید تایید شد. علاوه بر موارد مثبت کووید ۱۹ ، مجموعه دیگری از ۵۸۵۶ مورد غیرکووید ۱۹ (در دسترس عموم، منبع: کاگل) در نظر گرفته شد که شامل موارد ذات الریه عادی، ویروسی و باکتریایی است. در آزمونهای آزمایشی ما، برای جلوگیری از جهت گیری احتمالی، اعتبارسنجی ۵ برابر دنبال شد و از هر دو مجموعه داده متعادل و نامتعادل استفاده شد. مدل پیشنهادی بالاترین دقت ممکن ۹۹.۶۹ ٪، را با حساسیت ۱.۰ به دست آورد، جایی که AUC ، ۹۹۹۵ / ۰ بود. بعلاوه، میزان مثبت کاذب گزارش شده برای ۵۸۵۶ مورد منفی کووید ۱۹ فقط ۰۰۱۵ / ۰ بود. نتایج ما اظهار داشت که CNN پیشنهادی میتواند برای غربالگری انبوه استفاده شود. با استفاده از مجموعه دقیقا مشابه مجموعه CXR ، نتایج فعلی بهتر از سایر مدلهای یادگیری عمیق و کارهای پیشرفته اصلی بود.

کووید ۱۹ ، اشعه ایکس قفسه سینه، یادگیری عمیق، شبکه عصبی کانولوشن، غربالگری انبوه