دمج مبهم مبني على التصنيف لنماذج CNN باستخدام دالة جومبرتز لفحص صور الأشعة المقطعية لفيروس كورونا

أصاب فيروس كوفيد-19 أنظمة الرعاية الصحية في جميع أنحاء العالم، مما أدى إلى تأخير الاقتصاد وتسبب في وفاة عدد كبير من الأشخاص. وعلى الرغم من أن اللقاحات المحتملة تُختبر وتنشر حول العالم، إلا أن استهداف كل فرد سيستغرق وقتًا طويلاً، خاصة مع ظهور متغيرات جديدة من الفيروس، ما يفرض حالة مشابهة لحالة الإغلاق على مناطق متعددة من العالم. وبالتالي، هناك حاجة ملحة إلى الكشف المبكر والدقيق عن كوفيد-19 لمنع انتشار المرض بشكل أكبر. إن الاختبار الذهبي الحالي، وهو اختبار RT-PCR، يمتلك حساسية فقط بنسبة 71%، كما أنه عملية معقدة وشاقة، مما يمنع إجراء فحوصات واسعة النطاق على السكان. ولحل هذه المشكلة، نقترح في هذا البحث نظامًا تلقائيًا للكشف عن كوفيد-19 يستخدم صور التصوير المقطعي المحوسب (CT) للرئتين لتصنيفها إلى حالات مصابة بكوفيد وغير مصابة. تعتمد الطريقة المقترحة على استراتيجية تجميع (Ensemble) تُنتج رتبًا ضبابية (Fuzzy Ranks) للنماذج الأساسية باستخدام دالة جومبرتز (Gompertz Function)، وتنسق بشكل تكيفي بين درجات القرار الناتجة عن النماذج الأساسية لاتخاذ التنبؤات النهائية على الحالات الاختبارية. تم استخدام ثلاث نماذج قائمة على التعلم الناقل (Transfer Learning) من الشبكات العصبية التلافيفية (Convolutional Neural Networks)، وهي VGG-11 وWide ResNet-50-2 وInception v3، لإنتاج درجات القرار التي يتم دمجها بواسطة النموذج التجميعي المقترح. وقد تم تقييم الإطار المقترح على مجموعتين منصوصيتين علنًا من صور التصوير المقطعي للصدر، حيث حقق أداءً يُعد من أفضل الأداء في المجال، مما يبرر موثوقية النموذج. أما الرموز المصدرية ذات الصلة بهذا العمل فهي متوفرة على منصة GitHub.