استفاده از تكنيكهاي يادگيري ماشين براي تشخيص COVID-19 و چالشهاي مربوط به استفاده از اين تكنيك

The use of machine learning techniques for the diagnosis of COVID-19 and the challenges related to the use of this technique

در سالهاي اخير استفاده از هوش مصنوعي در حيطه پزشكي و مراقبت هاي بهداشتي افزايش يافت و يادگيري ماشين به عنوان يكي از زير شاخه هاي مربوط به هوش مصنوعي نقش موثري را در افزايش رضايتمندي ، صرفه جويي در منابع و افزايش كارايي در تشخيص شاخص هاي بيماري ايفا كرد. بسياري از محققان و پزشكان، نويد تشخيص بيماري مبتني بر يادگيري ماشيني به عنوان يك روش كارآمد و با هزينه مناسب را داده اند. فرآيندهاي تشخيصي فعلي اغلب پرهزينه و زمان بر هستند و نياز به مداخله انساني دارند و توانمندي فرد درمانگر تكنيك‌هاي تشخيص فعلي را محدود مي‌كند در حاليكه سيستم‌هاي مبتني بر يادگيري ماشين چنين محدوديت‌هايي ندارند و با توجه به اينكه محدوديتي هايي نظير خستگي كادر درمان در اين روشها در نتيجه، اين روشها ممكن است به عنوان روشهاي تشخيصي مناسب در هنگام حضور تعداد زيادي از بيماران در بخش هاي درماني هنگام ايجاد بيماري هاي همه گيري نظير كويد و ... موثر باشند. براي ايجاد سيستم هاي MLBDD، از داده هاي مراقبت هاي بهداشتي مانند (اشعه ايكس، MRI) و داده هاي آماري ( شرايط، سن و جنسيت) استفاده مي شود. اين پژوهش مروري بر كاربرد استفاده از يادگيري ماشين در تشخيص كوويد 19 دارد.