تشخيص تحت وب بيماري كرونا با به‌كارگيري مدل يادگيري عميق

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

ويروس كوويد19 كه يك گونه جهش يافته از خانواده كروناويروس مي‌باشد كه در مارس 2020 توسط سازمان جهاني بهداشت همه گير اعلام شد و از آنگاه تا به امروز جهان را در وضعيت قرمز بهداشتي قرار داده است. ميزان مرگ و مير حاصل از ابتلا به اين ويروس در ابتداي سال 2022 نزديك به شش ميليون نفر ثبت شده است. تا كنون روش هاي متعددي براي تشخيص ابتلا فرد به اين ويروس معرفي گرديده است كه عمدتا دسترسي به آنها سخت بوده و البته برخي از اين روش ها بسيار زمان‌بر هستند. از اين رو ارائه يك سرويس هوشمند تحت وب كه هدف اصلي اين پژوهش مي‌باشد بسيار ضروري مي‌باشد به ويژه اينكه اين سرويس از بروز ترين تكنيك هاي يادگيري عميق براي تشخيص ابتلا فرد به بيماري كوويد19 از طريق بررسي عكس راديولوژي قفسه سينه استفاده مي‌كند. در اين مقاله، از رويكرد يادگيري عميق بهره گيري شده و مدل الكسنت در اين فرايند مورد استفاده قرار مي گيرد. داده هاي بكار گيري شده در اين پژوهش شامل 8840 عكس قفسه سينه كه نيمي از آن مربوط به افراد بدون درگيري ويروس كوويد19 بوده و نيمي ديگر مربوط به بيماران مبتلا به ويروس كوويد19 مي‌باشد. مدل با دستيابي به 99.26 درصد دقت در تشخيص و 95 درصد ضريب حساسيت و ويژگي 99.7 درصدي، نشان داد بسيار قابل اطمينان مي‌باشد

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.