Key points are not available for this paper at this time.
أدى تفشي مرض فيروس كورونا 2019 (COVID-19) إلى عدد لا يحصى من الإصابات والوفيات في جميع أنحاء العالم، مما يشكل تحديات متزايدة لنظام الرعاية الصحية. لم تساعد الذكاء الاصطناعي في التشخيص فقط بمعدل دقة عالٍ بل وفرت أيضًا الوقت والجهد في مرحلة التفشي المفاجئ مع نقص الأطباء والمعدات الطبية. كانت هذه الدراسة تهدف إلى اقتراح شبكة تصنيف لـ COVID-19 مُراقب بشكل ضعيف (W-COVNet). قُسمت هذه الشبكة إلى ثلاثة وحدات رئيسية: وحدة اختيار الميزات المُراقب بشكل ضعيف (W-FS)، وحدة دمج الميزات ثنائية الاتجاه بالتعلم العميق (DBFF) ووحدة تصور الشبكة المستندة إلى Grad-CAM++ (Grad-Ⅴ). كانت الوحدة الأولى، W-FS، تركز بشكل أساسي على إزالة الميزات الخلفية الزائدة من صور الأشعة المقطعية (CT)، وأجرت اختيار الميزات واحتفظت بمناطق الميزات الأساسية. كانت الوحدة الثانية، DBFF، تستخدم بشكل أساسي شبكتين متماثلتين لاستخراج ميزات مختلفة ومن ثم الحصول على ميزات مكملة غنية. سمحت الوحدة الثالثة، Grad-Ⅴ، بتصور الآفات في الصور غير المعنونة. أظهر تجربة التحقق المتقاطع ذات الخمسة أضعاف معدل دقة تصنيف متوسط قدره 85.3%، وأظهرت المقارنة مع سبعة نماذج متقدمة للتصنيف أن الشبكة المقترحة كانت لها أداء أفضل.
درس ليو وآخرون (سون) هذا السؤال.