عملکرد الگوربتم های باد گبری در تشخیص covid-۱۹

روش های بالینی، مبنایی برای تشخیص بیماران مبتلا به کووید-۱۹ هستند. اما نتایج برخی از گزارش ها موید آن است که تعدادیاز افرادی که در ابتدا ننیجه ی تست آنها مثبت بوده و به برخی بیماری های زمینه ای نیز مبتلا بوده اند. بعد از انجام آزمایشاتبیشتر نتیجه ی تست ایشان منفی اعلام شده است. در مدل های محاسباتی تشخیص کووید-۱۹ غالبا از داده های مربوط بهتصاویر اشعه ی ایکس قفسه ی سینه ی بیماران مبتلا به کووید-۱۹ استفاده شده. و هیچ گزارشی مبنی بر به کارگیری علائم رایجینظیر تب، سرفه، خستگی، دردهای عضلانی. سردرد و غیره وجود ندارد. ننیجه ی این تحقیق مسیر مقالات آتی مرتبط با اینزمینه را هموارتر می سازد. تا بدین طربق نوعی از سیستم های تشخیصی را توسعه دهند که با اعمال بهترین طبقه بندی کننده ها،فرآیند تشخیص افتراقی و زود هنگام کووید-۱۹ را با استفاده از علائم معمولی فوق الذکر به انجام می رساند. مقاله ی حاضر رفتاراین طبقه بندی کننده ها در فر آیند تشخیص کووید-۱۹آن هم با استفاده از مجموعه داده های غیر تصویری این بیماری و براساسعلائم معمولی (مانند تب. سردرد. استفراغ. اسهال. و غیره) را مورد بررسی قرار داده است. طی این تحقیق مشخص شد که درزمان ارائه ی این گزارش هیچ یک از مطالعات قبلی بر روی این موضوع تمرکز نداشته اند. درواقع اکثر مطالعات قبلی جهتتشخیص بیماری کووید-۱۹ بر روی داده های مبتنی بر تصویر آشعه ی ایکس قفسه ی سینه ی بیماران متمرکز بوده و غالبا ازطبقه بندی کننده ی DNN استفاده کرده اند.

کلیدواژه ها:

کوید-۱۹ ، یادگیری عمیق ، ANN