بهینه سازی تشخیص کووید-۱۹ از تصاویر رادیوگرافی با استفاده از نقشه های خودسازمانده: یک رویکرد کارآمد در سیستم های سلامت هوشمند

تحلیل تصاویر پزشکی، به ویژه در شرایطی که داده های برچسب خورده محدود هستند و جمع آوری آنها پرهزینه یا دشوار است، چالش قابل توجهی در توسعه سامانه های تشخیصی خودکار و ابزارهای پشتیبان تصمیم گیری محسوب می شود. این پژوهش با هدف ارزیابی و مقایسه کارایی دو رویکرد یادگیری ماشین برای طبقه بندی تصاویر رادیوگرافی قفسه سینه بیماران کووید-۱۹ و غیر کووید طراحی و اجرا شد. نتایج نشان داد که مدل SOM با استفاده از استخراج ویژگی های آماری ساده و فرآیند خوشه بندی، به و تعادل مناسب در شاخص های دقت، بازخوانی و امتیاز F۱ دست یافت، در حالی که مدل CNN دقت کلی ۸۰٪ را ثبت کرد. این نتایج بیانگر پتانسیل بالای روش های سبک و تفسیرپذیر مانند SOM برای کمک به تشخیص پزشکی در شرایط کمبود داده است و می تواند مبنایی برای توسعه سامانه های پشتیبان تصمیم گیری در محیط های بالینی با منابع محدود باشد.

Keywords:

کووید-۱۹ , نقشه های خودسازمانده (SOM) , شبکه عصبی کانولوشنی (CNN) , تصاویر رادیوگرافی قفسه سینه , خوشه بندی , سیستم های سلامت هوشمند