تشخیص کویید 19 از طریق آموزش انتقال با استفاده از داده های تصویربرداری چند حالته

تشخیص کویید 19 از طریق آموزش انتقال با استفاده از داده های تصویربرداری چند حالته

نتیجه گیری: با مجموعه داده های محدود و جنجالی کویید 19 ، می توان از مدل VGG19 برای توسعه ابزارهای مبتنی بر یادگیری عمیق مناسب برای تشخیص کویید 19 استفاده کرد.  این مدل قادر به طبقه بندی شرایط پنومونی در مقابل عادی و کویید 19 در مقابل ذات الریه برای چندین حالت تصویربرداری از جمله اشعه ایکس ، سونوگرافی و سی تی اسکن است.  با داده های بسیار کمی ، ما با استفاده از VGG19 از همه حالت های تصویربرداری ، نتایج قابل توجهی در طبقه بندی بدست آوردیم. تشخیص کویید 19

یافته های ما که آزمایش 1A / 2A دارای نمرات FI پایین تر و منفی کاذب بالاتر از آزمایش 1B / 2B غیر منتظره بود ، زیرا تظاهرات کویید 19 خود نوعی پنومونی ویروسی است.  این ممکن است نشان دهد که علیرغم تلاشهای ما برای حذف تعصب نمونه گیری با استفاده از پیش پردازش N-CLAHE ، هنوز ممکن است تفاوت های منظمی در مجموعه داده های تصویر کویید 19 وجود داشته باشد که منجر به طبقه بندی VGG19 می شود تا تصاویر کویید 19را به راحتی تمیز دهد.

با وجود نتایج امیدوار کننده ما ، ما احتیاط زیادی را در زمینه توسعه مدلهای تشخیصی بالینی با استفاده از مجموعه داده تصویری کویید 19 در حال حاضر توصیه می کنیم.  با در دسترس بودن مجموعه ای با کیفیت بالاتر از داده های تصویری تشخیصی کویید 19 ، ممکن است بتوان مدلهای مبتنی بر یادگیری عمیق مورد اطمینان بالینی را برای تشخیص سریع کویید 19  ایجاد کرد که از شرایط مشابه مانند ذات الریه متمایز است.  چنین ابزاری در عمل بی نظیر خواهد بود ، جایی که سایر آزمایش های تشخیصی کویید 19 یا در دسترس نیستند یا غیر قابل اعتماد هستند.

با پیشرفت گسترش کویید 19 در نقاط دورافتاده و دارای مشکل اقتصادی ، توانایی تشخیص کویید 19 از طریق تجهیزات عکسبرداری پزشکی قابل دسترسی و قابل حمل مانند دستگاه های اشعه ایکس و سونوگرافی به کند شدن شیوع بیماری کمک می کند و منجر به  نتیجه پزشکی بهتر برای جمعیت.