همهگیری کووید-19 در اوایل سال 2020 جهان را طوفانی کرد و از آن زمان تاکنون به علت اصلی مرگ و میر در چندین کشور از جمله چین، ایالات متحده آمریکا، اسپانیا و بریتانیا تبدیل شده است. محققان به طور گسترده در حال کار بر روی توسعه راههای عملی برای تشخیص عفونتهای کووید-۱۹ هستند و بسیاری از آنها توجه خود را بر روی چگونگی استفاده از هوش مصنوعی (AI) برای این منظور متمرکز کردهاند.
چندین مطالعه گزارش کرده اند که می توان از سیستم های مبتنی بر هوش مصنوعی برای تشخیص COVID-19 در تصاویر اشعه ایکس قفسه سینه استفاده کرد، زیرا این بیماری تمایل دارد مناطقی با چرک و آب در ریه ها ایجاد کند که به صورت لکه های سفید در اسکن اشعه ایکس نشان داده می شود. . اگرچه مدلهای تشخیصی هوش مصنوعی مبتنی بر این اصل پیشنهاد شدهاند، اما بهبود دقت، سرعت و کاربرد آنها همچنان در اولویت است.
اکنون، تیمی از دانشمندان به سرپرستی پروفسور Gwanggil Jeon از دانشگاه ملی اینچئون کره، یک چارچوب تشخیص خودکار COVID-19 ایجاد کردهاند که با ترکیب دو تکنیک قدرتمند مبتنی بر هوش مصنوعی، همه چیز را تغییر میدهد. سیستم آنها را می توان برای تمایز دقیق بین تصاویر اشعه ایکس قفسه سینه بیماران COVID-19 از غیر COVID-19 آموزش داد. مقاله آنها در 27 اکتبر 2021 به صورت آنلاین در دسترس قرار گرفت و در 21 نوامبر 2021 در جلد 8، شماره 21 مجله اینترنت اشیا IEEE منتشر شد.
دو الگوریتمی که محققان استفاده کردند Faster R-CNN و ResNet-101 بودند. اولین مورد یک مدل مبتنی بر یادگیری ماشینی است که از یک شبکه پیشنهادی منطقه استفاده می کند، که می تواند برای شناسایی مناطق مربوطه در یک تصویر ورودی آموزش داده شود. دومی یک شبکه عصبی یادگیری عمیق است که شامل 101 لایه است که به عنوان ستون فقرات استفاده می شود. ResNet-101، زمانی که با داده های ورودی کافی آموزش داده شود، یک مدل قدرتمند برای تشخیص تصویر است. پروفسور جئون اظهار داشت: «تا جایی که میدانیم، رویکرد ما اولین رویکردی است که ResNet-101 و R-CNN سریعتر را برای تشخیص COVID-19 ترکیب میکند.» پس از آموزش مدل خود با 8800 تصویر اشعه ایکس، به یک دقت قابل توجه 98٪.
تیم تحقیقاتی معتقد است که استراتژی آنها می تواند برای تشخیص زودهنگام COVID-19 در بیمارستان ها و مراکز بهداشت عمومی مفید باشد. استفاده از تکنیکهای تشخیص خودکار مبتنی بر فناوری هوش مصنوعی میتواند کار و فشار رادیولوژیستها و دیگر متخصصان پزشکی را که از زمان شروع همهگیری با حجم زیادی از کار مواجه بودهاند، از بین ببرد. علاوه بر این، با اتصال دستگاههای پزشکی مدرنتر به اینترنت، میتوان مقادیر زیادی از دادههای آموزشی را به مدل پیشنهادی تغذیه کرد. همانطور که پروفسور جئون میگوید: "رویکرد یادگیری عمیق مورد استفاده در مطالعه ما برای انواع دیگر تصاویر پزشکی قابل استفاده است و میتواند برای تشخیص بیماریهای مختلف استفاده شود."