Key points are not available for this paper at this time.
مؤخراً، أثر COVID-19 قد تراجع بشكل كبير؛ ومع ذلك، لم يتم القضاء عليه بالكامل. لا تزال هناك حالات يعاني فيها الأفراد بسبب هذا الفيروس المهدد للحياة، والذي له تأثير كبير على الرعاية الصحية وأنماط الحياة في جميع أنحاء العالم. لذلك، فإن الاكتشاف المبكر مهم للسيطرة على تمدد الحالات ومعدل الوفيات. يُعرف اختبار RT-PCR بأنه اختبار التشخيص الرائد الحقيقي؛ ومع ذلك، فإن تكلفة وأوقات نتائج هذه الاختبارات طويلة، لذا هناك حاجة إلى تقنيات تشخيصية سريعة ومتاحة إضافية. ومع ذلك، تعاني معظم الدول بسبب محدودية موارد الاختبار والأدوات. عدم توفر موارد الاختبار والأدوات وزيادة عدد الحالات العادية، دفعنا لتطوير نموذج على التعلم العميق والذي قد يفيد أطباء الأشعة بالإضافة إلى الأطباء في الكشف عن حالات COVID-19 باستخدام صور الأشعة السينية للصدر. لتطوير تمثيل للميزات الخاصة بالنوع، تم تدريب شبكة عصبية تلافيفية ومجموعة متنوعة من النماذج المدربة مسبقاً من ImageNet وتقييمها على مستوى المرضى باستخدام مجموعات بيانات CXR المتاحة المختلفة. اخترنا 5000 صورة من مجموعة البيانات التي تم جمعها من كاجل حيث احتفظنا بـ 4000 صورة للتدريب والتحقق، و1000 المتبقية للاختبار. نستخدم أربعة نماذج CNN عميقة مسبقة التدريب والتي تعد شائعة جداً لتصنيف الصور. اخترنا نماذج VGG16 وVGG19 وInceptionV3 وResnet50 لتحليل الأداء وإيجاد الأفضل من بينها. في اختبارنا، حصلنا على دقة اختبار بنسبة 88.5% على نموذج ResNet و95.10% على نموذج InceptionV3 بينما يعطي VGG19 دقة 90.22% وVGG16 يعطي أعلى دقة 96.10%. لزيادة دقة الأداء، يتم نقل معرفة التعلم الانتقالي وتعديلها. بعد تطبيق التعلم الانتقالي على VGG16 المعدلة حصلنا على دقة 97%، وهو تحسن واضح على نموذج VGG16 السابق. مجلة GUB للعلوم والهندسة، المجلد 10(1)، 2023 ص 53-67
قام سوني وآخرون (الإثنين) بدراسة هذا الموضوع.