ارائه راهکاری مبتنی بر یادگیری عمیق به منظور تشخیص موارد مشکوک به کووید 19

شبکه‌های عمیق به دلیل توانمندی در استخراج ویژگی‌های پیچیده و ارتباطات غیرخطی، برای تشخیص بیماری‌ها و وظایف پزشکی مورد استفاده قرار می‌گیرند. پس از ظهور بیماری کووید 19، یادگیرهای عمیق به عنوان رویکرد‌ی قدرتمند در حوزه تشخیص این بیماری مطرح شده‌اند. در برخی موارد، متدهای مبتنی بر داده‌کاوی نمی‌توانند کووید 19 را به‌طور قطعی تشخیص دهند که دلیل آن، عدم قابلیت تعمیم مناسب روی داده‌هاست. هدف از این پژوهش ارائه راهکاری به منظور بهبود نتیجه تشخیص در تصاویر مشکوک به کووید 19 است. در این پژوهش پس از تشخیص بیماری با استفاده از دو شبکه عمیق گوگل و الکس، لایه احتمالی دو یادگیر استخراج شده و موارد مشکوک به بیماری شناسایی می‌شوند. سپس برترین ویژگی‌های مستخرج از دو یادگیر عمیق ترکیب شده و به یک شبکه عصبی پرسپترون جهت تشخیص موارد مشکوک ارسال می‌گردد. استخراج بهترین ویژگی‌ها توسط روش تحلیل مولفه اصلی صورت گرفته است. پایگاه داده مورد مطالعه، شامل 224 تصویر سی‌تی‌اسکن ریه مبتلا به کووید 19 و 522 تصویر ریه افراد سالم می‌باشد که از مرجع گیت‌هاب تهیه شده است. نتایج آزمون‌ها مبین آن است که تجمیع یادگیرهای عمیق در لایه احتمالی می‌تواند منجر به بهبود تشخیص کووید 19 در موارد مشکوک به میزان 98.1% شود.