ارائه کننده: هومان بهرامی راد
استاد راهنما: دكتر مهرداد كارگري
استاد مشاور: دكتر امير بهنام خوارزمي
استاد داور داخلي: دكتر سارا بوربور حسين بيگي
استاد داور خارج از دانشگاه: دكتر حجت اله حميدي
نماينده تحصيلات تكميلي : دكتر سارا بوربور حسين بيگي
تاریخ:  1402/08/14  
ساعت: 10:00 
مكان: اتاق سمينار طبقه منفي يك دانشكده فني و مهندسي

چکیده:

با ظهور بیماری کووید-19 از شهر ووهان چین به دلیل سرعت بسیار بالا شیوع و شدت کشندگی ناشی از این بیماری وضعیت به‌صورت یک بحران جهانی تبدیل‌شده است و تمام کشورها و دولت‌های جهان را درگیر خودکرده است. اگرچه از شروع این‌همه گیری می‌گذرد و اقداماتی نظیر واکسیناسیون جهانی اجراشده است، بدیهی است که همچنان با موارد ابتلا به این بیماری در جامعه روبه‌رو هستیم.  از زمان همه‌گیری کووید-19 تقریباً 770 میلیون نفر به آن مبتلا شده‌اند و بالغ‌بر هفت میلیون نفر هم جان خود را ازدست‌داده‌اند. تشخیص درست و زودهنگام این بیماری و درنتیجه کاهش نرخ ابتلا و همچنین مرگ افراد در سراسر دنیا امری بسیار حیاتی است. یکی از چالش‌های اصلی در تشخیص دقیق کووید-19 تظاهرات بالینی مشابه به برخی بیماری‌های مرتبط با ریه مثل پنومونی ریوی ویروسی و باکتریایی و حتی آنفولانزا در فصل‌های سرد است. این شباهت‌ها ممکن است باعث اشتباه در تشخیص شوند و به‌تناوب جان و سلامت جامعه را تهدید کنند. به‌منظور تشخیص دقیق و سریع بیماری کووید-19 و تمایز آن از بیماری‌های دیگر ریوی با ویژگی‌های مشابه، این پژوهش تلاش می‌کند تا با بهره‌گیری از سیستم‌های هوش مصنوعی و روش‌های یادگیری ماشینی، یک سیستم جامع ارائه دهد. این سیستم با تجزیه‌وتحلیل دقیق اطلاعات پزشکی ازجمله تصاویر سی‌تی‌اسکن ریه و اطلاعات بالینی مربوط، بیماری کووید-19 را از سایر بیماری‌های ریه تفکیک می‌کند. برای آموزش این سیستم، از اطلاعات تصاویر سی‌تی‌اسکن ریه و داده‌های بالینی و کلینیکال مراجعین به بیمارستان امام حسین تهران استفاده‌شده است. این داده‌ها سه دسته از بیماران را شامل می‌شود: بیماران مبتلابه کووید-19، بیماران با پنومونی ریه و بیماران با دیگر مشکلات ریوی. در این پژوهش، با بهره‌گیری از هوش مصنوعی و روش‌های یادگیری ماشین، برای طبقه‌بندی بیماران در سه مرحله اصلی که به ترتیب شامل داده‌های تصاویر با استفاده از شبکه یادگیری عمیق، داده‌های تصاویر با استفاده از مدل ترکیبی و همچنین داده‌های ترکیبی (شامل تصاویر سی‌تی‌اسکن به همراه داده‌های بالینی و کلینیکال) انجام‌شده است. نتایج نشان می‌دهد که سیستم مبتنی بر داده‌های ترکیبی با استفاده از مدل ترکیبی با دقت 99.97 درصد عملکرد برتری دارد. همچنین، سیستم‌های مبتنی بر داده‌های تصاویر با استفاده از شبکه یادگیری عمیق و داده‌های تصاویر با استفاده از مدل ترکیبی نیز با دقت‌های به ترتیب 98.98 درصد و 99.79 درصد عملکرد قابل قبولی ارائه می‌دهند.