تشخیص هوشمند بیماری کوید۱۹ با استفاده از ترکیب ویژگی های عمیق و تحلیل مولفه اصلی

بیماری کوید۱۹ به سرعت در حال گسترش است و در مدت کوتاهی منجر به مرگ میلیون ها انسان شده است. تشخیص زود هنگام این بیماری می تواند در تسریع فرایند درمان وجلوگیری از مرگ بیماران نقش بسزایی داشته باشد. استفاده از یادگیرهای عمیق یکی از متدهای هوشمند تشخیص بیماری کوید ۱۹ است. هدف از این پژوهش ارائه مدلی مبتنی بر ترکیب ویژگی های عمیق و انتخاب بهترین ویژگی ها به منظور تشخیص خودکار این بیماری می باشد. باوجود آنکه شبکه های عمیق می توانند ویژگی های تصویر را استخراج کنند، اما استفاده از چندین یادگیر به طور موازی منجر به کشف ویژگی های خاص توسط هر یادگیر خواهد شد. در این پژوهش از ۳ شبکه عمیق ، به منظور استخراج ویژگی های تصاویر بیماری کوید ۱۹ استفاده شده و سپس کاهش ابعاد ویژگیهای مستخرج، صورت گرفته است. کلاس بندی توسط شبکه عصبی پرسپترون انجام شده است. پایگاه داده مورد مطالعه، تصاویرX-ray برگرفته از مرجع داده Github و شامل ۱۱۲۵ نمونه در ۳ کلاس نرمال، مبتلا به کوید ۱۹ و ذات الریه می باشد. به منظور اطمینان از دقت حاصله، در فرایند آموزش، از روش K-fold بهره گرفته شده است. پس از مدل سازی و ثبت نتایج، دقت تشخیص بیماری کوید۱۹ در زمان استخراج ویژگی ها و استفاده مستقل از یادگیرها در بهترین حالت ۱/۹۶% و پس از ترکیب ویژگی های عمیق ۷/۹۷% حاصل گردید. استفاده از تکنیک های هوشمند مبتنی بر یادگیری ماشین می تواند منجر به تشخیص به موقع بیماری کوید۱۹ شده و به تسریع فرایند درمان کمک کند.

کلیدواژه ها:

کوید۱۹ ، شبکه های عمیق ، داده کاوی ، یادگیری ماشین ، ترکیب خبره ها