Weight optimized cnn+mlp using modified enhanced artificial ecosystem for Covid-19 detection

Makine öğrenimi tıbbi araştırma çabalarının ön saflarında yer alıyor. Araştırmacıların ve uygulayıcıların, bu tür hastalıkların yayılmasını tahmin etmek ve enfekte olanları çok daha yüksek bir güvenle tespit etmek için COVID-19 karşısında bilinçli bir karar vermelerine yardımcı olacak bir araç olarak hizmet vermektedir. Bu çalışma, metinsel klinik verilerle birleştirilmiş X-ışını taramalarını kullanarak COVID-19'u Pnömoniden sınıflandırmak için bir yapay zeka çerçevesi tasarlama ve geliştirme sürecini özetlemektedir. Bu çalışmanın temel amacı, birden fazla sinir ağı türünü birleştirmek ve sinir ağının ağırlıklarını optimize etmede meta-sezgisel algoritmalar kullanmanın etkisini incelemektir. Önerilen çerçeve aynı zamanda sonucu etkileyebilecek gereksiz özellikleri ortadan kaldırmak amacıyla her akciğer için bir maske oluşturmak amacıyla önceden eğitilmiş bir ResNet34 modelini kullanan bir akciğer segmentasyon sürecini de kullanır. Eğitim verileri, her hastanın yaş ve cinsiyetini içeren metinsel tıbbi verileriyle birlikte, COVID-19 ve Pnömoninin 579 bölümlü X-ışını (AP, PA görünümleri) görüntüsünden oluşur. Önerilen çerçeve, ağırlık optimizasyonu olmadan %94,32'ye kıyasla %97,85'lik bir doğruluk elde etti. Ayrıca, COVID-19'un tespit edilmesinde modelin uygulanabilirliğini değerlendirmek için literatürdeki diğer birkaç mimariyle kapsamlı bir karşılaştırma kullanıldı.