تشخیص تحت وب بیماری کرونا با به‌کارگیری مدل یادگیری عمیق

ویروس کووید19 که یک گونه جهش یافته از خانواده کروناویروس می‌باشد که در مارس 2020 توسط سازمان جهانی بهداشت همه گیر اعلام شد و از آنگاه تا به امروز جهان را در وضعیت قرمز بهداشتی قرار داده است. میزان مرگ و میر حاصل از ابتلا به این ویروس در ابتدای سال 2022 نزدیک به شش میلیون نفر ثبت شده است. تا کنون روش های متعددی برای تشخیص ابتلا فرد به این ویروس معرفی گردیده است که عمدتا دسترسی به آنها سخت بوده و البته برخی از این روش ها بسیار زمان‌بر هستند. از این رو ارائه یک سرویس هوشمند تحت وب که هدف اصلی این پژوهش می‌باشد بسیار ضروری می‌باشد به ویژه اینکه این سرویس از بروز ترین تکنیک های یادگیری عمیق برای تشخیص ابتلا فرد به بیماری کووید19 از طریق بررسی عکس رادیولوژی قفسه سینه استفاده می‌کند. در این مقاله، از رویکرد یادگیری عمیق بهره گیری شده و مدل الکسنت در این فرایند مورد استفاده قرار می گیرد. داده های بکار گیری شده در این پژوهش شامل 8840 عکس قفسه سینه که نیمی از آن مربوط به افراد بدون درگیری ویروس کووید19 بوده و نیمی دیگر مربوط به بیماران مبتلا به ویروس کووید19 می‌باشد. مدل با دستیابی به 99.26 درصد دقت در تشخیص و 95 درصد ضریب حساسیت و ویژگی 99.7 درصدی، نشان داد بسیار قابل اطمینان می‌باشد

Web-Based Diagnosis of Corona Disease Using a Deep Learning Model

Covid-19 virus, which is a mutated species of the coronavirus family, was announced as a pandemic by the World Health Organization in March 2020. The death toll from the virus at the beginning of 2022 is close to six million. So far, several methods have been introduced to diagnose the virus, which are mostly difficult to access or require a high cost, and of course, some of these methods are time consuming. Therefore, providing a smart web-based service that is the main goal of this research is very important, especially since this service uses the most up-to-date deep learning techniques to diagnose a person with Covid 19 disease.In this paper, the deep learning approach is used and the Alexent model is used in this process. The data used in this study include 8840 chest images, half of which are related to people without Covid 19 virus involvement and the other half are related to patients with Covid 19 virus. The model proved to be very reliable with 99.26% accuracy in diagnosis and 95% sensitivity and 99.7% specificity.