الگوریتم شبکه عصبی عمیق بهبود یافته برای شناسایی بیماری کوید-19 در اینترنت اشیا

در این مقاله یک سیستم تشخیص خودکار موارد مبتلا به کوید-19 مبتنی بر اینترنت اشیا پیشنهاد می‌شود. در مدل پیشنهادی ابتدا با استفاده از فن‌آوری اینترنت اشیا تصاویر پزشکی مستقیم پس از مراجعه فرد مشکوک از طریق تجهیزات پزشکی مجهز به اینترنت اشیا به مخزن داده ارسال می‌شود. سپس به منظور کمک به متخصصین رادیولوژی برای تفسیر هرچه بهتر تصاویر پزشکی از چهار مدل شبکه عصبی پیچشی از پیش آموزش دیده به نام‌های inceptionresnetv2، inceptionv3، vgg19 و resnet152 و دو مجموعه داده تصاویر پزشکی رایولوژی قفسه سینه و ct scan در یک طبقه‌بندی سه کلاسه برای پیش‌بینی دقیق موارد مبتلا به کوید-19، افراد سالم و موارد مبتلا بیماری استفاده می‌شود. درنهایت بهترین نتیجه به دست آمده برای تصاویر ct scan متعلق به معماری inceptionresnetv2 با دقت 99.366% و برای تصاویر رادیولوژی مربوط به معماری‌ inceptionv3 با دقت 96.943% می‌باشد. نتایج نشان می‌دهد این سیستم منجر به کاهش مراجعه روزانه به مراکز درمانی و در نتیجه کاهش فشار بر سیستم مراقبت‌های درمانی می‌شود. همچنین به متخصصین رایولوژی و کادر درمان کمک می‌کند تا هرچه سریعتر بیماری شناسایی شود.