التكامل الشوكي واللعبة التآزرية القائمة على تجميع نماذج التعلم العميق لفحص فيروس كورونا من صور الأشعة السينية للصدر

في ظل الظروف الراهنة، حيث ما زلنا نواجه تهديدًا من سلالات مختلفة من فيروس كورونا، وبما أن الطريقة الأكثر انتشارًا للكشف عن فيروس كوفيد-19، وهي تفاعل البوليميراز المتسلسل بالعكس (RT-PCR)، يُعدّ إجراءً يدويًا مُرهقًا وطويل الأمد ويُعاني من دقة منخفضة، فإن تطبيق الذكاء الاصطناعي (AI) والتشخيص المُساعد بالحواسيب (CAD) أصبح أمرًا لا مفر منه. وفي هذه الدراسة، قمنا بتحليل صور الأشعة السينية للصدر (CXR) للكشف عن فيروس كورونا. ويتمثل الهدف الأساسي من هذه الدراسة البحثية المقترحة في استغلال أداء التصنيف الناتج عن نماذج التعلم العميق باستخدام تقنيات التجميع (Ensemble Learning). وقد اقترح العديد من الأوراق المختلفة تقنيات تجميع، حيث استخدمت بعض الأساليب دوال تجميع مثل المتوسط الحسابي الموزون (WAM) وغيرها. ومع ذلك، لم تأخذ أي من هذه الأساليب في الاعتبار القرارات التي تتخذها مجموعات فرعية من المصنفات (Classifiers). في هذه الورقة، نحن نطبق التكامل الشوكي (Choquet Integral) في التجميع، ونُقدّم طريقة جديدة لتقييم القياسات الضبابية (Fuzzy Measures) باستخدام نظرية الألعاب التحالفية (Coalition Game Theory)، ونظرية المعلومات (Information Theory)، وتقريب القياس الضبابي لامدا (Lambda fuzzy approximation). وتم حساب ثلاث مجموعات مختلفة من القياسات الضبابية باستخدام ثلاث نماذج وزن مختلفة، إلى جانب نظريتي المعلومات والتحالف. وباستخدام هذه المجموعات الثلاث من القياسات الضبابية، تم حساب ثلاثة تكاملات شوكية، ثم تم دمج قراراتها أخيرًا. وقد تم إنشاء قاعدة بيانات من خلال دمج عدة مصادر صور تم تطويرها حديثًا. وتدعم النتائج المبهرة المُحققة على مجموعة البيانات المُطورة حديثًا، بالإضافة إلى مجموعة بيانات COVIDx الصعبة، فعالية ومتانة الطريقة المقترحة. وعلى أحسن تقدير، تتفوق نتائج تجاربنا على العديد من الأساليب المُقترحة حديثًا. يمكن الوصول إلى الكود المصدري من خلال الرابط التالي: https://github.com/subhankar01/Covid-Chestxray-lambda-fuzzy