بیانه امینی - دانشجوی کارشناس ارشد فناوری اطلاعات سلامت، دانشگاه علوم پزشکی تبریز، دانشکده مدیریت و اطلاع رسانی پزشکی، تبریز، ایران
سحر هادی فر - کارشناس فناوری اطلاعات سلامت، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران
کاوه هنرمند - کارشناس ارشد فناوری اطلاعات سلامت، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران
بنفشه مقصودی - کارشناس ارشد انفورماتیک پزشکی، دانشگاه علوم پزشکی ایران، دانشکده مدیریت و اطلاع رسانی پزشکی، تهران، ایران

مقدمه: از ابزارهای تشخیص به موقع بیماری COVID-۱۹ ، استفاده از تصاویر سی تی اسکن قفسه سینه می باشد.در دسترس نبودن به موقع متخصص برای تفسیر نتایج، سبب تاخیر در تشخیص و در نهایت افزایش همه گیریبیماری می شود. روشی نوین و کاربردی جهت تشخیص بیماری های مختلف با دقت و صحت قابل قبول در نبودمتخصصین مربوطه، مدل های یادگیری عمیق می باشد. این مطالعه ی مروری سیستماتیک با هدف شناساییمدلهای یادگیری عمیق و بررسی صحت و دقت آنها در تشخیص بیماری COVID-۱۹ انجام گرفته است.روش پژوهش: مروری نظام مند بر روی پایگاه داده های Springer, JMIR, PubMed, Google scholar بااستفاده از ترکیب کلیدواژه های یادگیری عمیق، تشخیص، COVID-۱۹ در چهارچوب PRISMA در تیر ماه۱۴۰۰ انجام شد. معیار ورود به مطالعه استفاده از مدل های یادگیری عمیق در تشخیص بیماری COVID-۱۹ بود.مقالاتی که صرفا چکیده ی آنها در دسترس بود از مطالعه حذف شدند. سه محقق به طور مستقل، عنوان، چکیدهو متن کامل مقالات را مورد بررسی قرار دادند و درنهایت، داده های باارزش از مقالات مربوطه استخراج شد.یافته ها: تعداد ۲۵ مقاله معیارهای ورود به مطالعه را داشتند. مطالعاتی را که از، مدل های یادگیری عمیق بر رویعکس های سیتی اسکن برای تشخیص COVID-۱۹ استفاده کردند، بررسی و عملکرد آنها را مقایسه شد.ازبین مدل های یادگیری عمیق ذکر شده مدل های Inception, ResNet_۱۰۱, ResNet_۵۰ و Alexnetبه ترتیب بیشترین فراوانی را در استفاده داشته و دارای ضریب دقت ۸۲ تا ۹۹ درصد بودند.نتیجه گیری: یافته های مطالعه نشان می دهد که مدل های یادگیری عمیق دارای پتانسیل زیادی در شناسایی دقیقو تشخیص به موقع بیماران COVID-۱۹ در نبود متخصصین می باشد. پیاده سازی ابزارهای مبتنی بر مدل هاییادگیری عمیق میتواند خلا عدم دسترسی به رادیولوژیست ها را در تشخیص صحیح و سریع بیماریها تا حدیجبران نماید.

یادگیری عمیق، تشخیص، CT, COVID-۱۹ اسکن