Key points are not available for this paper at this time.
O surto de COVID-19 causou mais de 200.000 mortes até agora apenas nos EUA, o que instiga a necessidade de triagem inicial para controlar a propagação do início da COVID-19. No entanto, a triagem da doença torna-se trabalhosa com os kits de teste disponíveis, à medida que o número de pacientes aumenta rapidamente. Portanto, para reduzir a dependência dos kits de teste limitados, muitos estudos sugeriram um sistema de triagem baseado em tomografia computadorizada (TC) ou radiografia do tórax (raio-X) como uma abordagem alternativa. Assim, para reforçar essas abordagens, modelos que utilizam imagens de TC e raio-X do tórax precisam ser desenvolvidos para realizar um grande número de testes simultaneamente para detectar pacientes com sintomas de COVID-19. Neste trabalho, os pacientes com sintomas de COVID-19 foram detectados usando oito técnicas distintas de aprendizado profundo, que são VGG16, InceptionResNetV2, ResNet50, DenseNet201, VGG19, MobilenetV2, NasNetMobile e ResNet15V2, utilizando dois conjuntos de dados: um conjunto inclui 400 imagens de TC e outro 400 imagens de raio-X do tórax. Os resultados mostram que o NasNetMobile superou todos os outros modelos ao alcançar uma precisão de 82,94% em TC e 93,94% em conjuntos de dados de raio-X do tórax. Além disso, Modelos Locais Interpretables e Agnósticos (LIME) foram utilizados. Os resultados demonstram que os modelos propostos podem identificar as regiões infectadas e as principais características; em última análise, oferece uma oportunidade potencial para distinguir entre pacientes com COVID-19 e outros.
Ahsan et al. (Qui,) estudaram essa questão.