Resumen

COVID-19 ha afectado drásticamente a todo el mundo. Un gran número de personas han perdido la vida a causa de esta pandemia. La detección precoz de la infección por COVID-19 es útil para el tratamiento y la cuarentena. Por lo tanto, muchos investigadores han diseñado un modelo de aprendizaje profundo para el diagnóstico precoz de pacientes infectados por COVID-19. Sin embargo, los modelos de aprendizaje profundo adolecen de problemas de sobreajuste y ajuste de hiperparámetros. Para superar estos problemas, en este trabajo se propone un modelo de cribado COVID-19 profundo basado en metaheurística para imágenes de rayos X. La arquitectura AlexNet modificada se utiliza para la extracción de características y la clasificación de las imágenes de entrada. El algoritmo evolutivo Strength Pareto-II (SPEA-II) se utiliza para ajustar los hiperparámetros de la AlexNet modificada. El modelo propuesto se prueba en un conjunto de datos de cuatro clases (es decir, COVID-19, tuberculosis, neumonía o sano). Por último, se establecen comparaciones entre los modelos existentes y el propuesto.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:COVID-19, modelo de detección profunda de COVID-19, modelo de aprendizaje profundo, modelos de aprendizaje profundo, arquitectura AlexNet modificada, II, problemas, infección por COVID-19, Detección precoz, Fuerza Pareto
• Keywords:COVID-19, deep COVID-19 screening model, deep learning model, deep learning models, modified AlexNet architecture, II, issues, COVID-19 infection, Early detection, Strength Pareto