عملکرد الگوریتم های یادگیری در تشخیص covid-19

روش‌های بالینی، مبنایی برای تشخیص بیماران مبتلا به کووید-19 هستند. اما نتایج برخی از گزارش‌ها موید آن است که تعدادی از افرادی که در ابتدا نتیجه‌ی تست آنها مثبت بوده و به برخی بیماری‌های زمینه‌ای نیز مبتلا بوده‌اند، بعد از انجام آزمایشات بیشتر نتیجه‌ی تست ایشان منفی اعلام شده است. در مدل‌های محاسباتی تشخیص کووید-19 غالبا از داده‌های مربوط به تصاویر اشعه‌ی ایکس قفسه‌ی سینه‌ی بیماران مبتلا به کووید-19 استفاده شده، و هیچ گزارشی مبنی بر به‌کارگیری علائم رایجی نظیر تب، سرفه، خستگی، دردهای عضلانی، سردرد و غیره وجود ندارد. نتیجه‌ی این تحقیق مسیر مقالات آتی مرتبط با این زمینه را هموارتر می‌سازد، تا بدین طریق نوعی از سیستم‌های تشخیصی را توسعه دهند که با اعمال بهترین طبقه‌بندی‌کننده‌ها، فرآیند تشخیص افتراقی و زود هنگام کووید-19 را با استفاده از علائم معمولی فوق‌الذکر به انجام می‌رساند. مقاله‌ی حاضر رفتار این طبقه‌بندی‌کننده‌ها در فرآیند تشخیص کووید-19آن هم با استفاده از مجموعه داده‌های غیرتصویری این بیماری و براساس علائم معمولی (مانند تب، سردرد، استفراغ، اسهال، و غیره) را مورد بررسی قرار داده است، طی این تحقیق مشخص شد که در زمان ارائه‌ی این گزارش هیچ یک از مطالعات قبلی بر روی این موضوع تمرکز نداشته‌اند. درواقع اکثر مطالعات قبلی جهت تشخیص بیماری کووید-19 بر روی داده‌های مبتنی بر تصویر اشعه‌ی ایکس قفسه‌ی سینه‌ی بیماران متمرکز بوده‌ و غالبا از طبقه‌بندی کننده‌ی dnn ‌استفاده کرده‌اند.