Among radiological imaging data, Chest X-rays (CXRs) are of great use in observing COVID-19 manifestations. For mass screening, using CXRs, a computationally efficient AI-driven tool is the must to detect COVID-19-positive cases from non-COVID ones. For this purpose, we proposed a light-weight Convolutional Neural Network (CNN)-tailored shallow architecture that can automatically detect COVID-19-positive cases using CXRs, with no false negatives. The shallow CNN-tailored architecture was designed with fewer parameters as compared to other deep learning models. The shallow CNN-tailored architecture was validated using 321 COVID-19-positive CXRs. In addition to COVID-19-positive cases, another set of non-COVID-19 5856 cases (publicly available, source: Kaggle) was taken into account, consisting of normal, viral, and bacterial pneumonia cases. In our experimental tests, to avoid possible bias, 5-fold cross-validation was followed, and both balanced and imbalanced datasets were used. The proposed model achieved the highest possible accuracy of 99.69%, sensitivity of 1.0, where AUC was 0.9995. Furthermore, the reported false positive rate was only 0.0015 for 5856 COVID-19-negative cases. Our results stated that the proposed CNN could possibly be used for mass screening. Using the exact same set of CXR collection, the current results were better than other deep learning models and major state-of-the-art works.

در تشخیص ابتلا به کووید 19، در میان داده‌های تصویربرداری رادیولوژی، از عکسبرداری اشعه ایکس قفسه سینه (CXR) به وفور استفاده می‌شود. درغربالگری انبوه، برای تشخیص موارد مثبت کووید 19 از موارد غیر کووید ، استفاده از CXRبه عنوان یک ابزار کارآمد مبتنی بر هوش مصنوعی محاسباتی، ضروری است. به این منظور، یک شبکه عصبی پیچشی سبک وزن (CNN) با معماری کم عمق متناسب را ارائه کرده­ایم که می­تواند با استفاده از CXR بطور خودکار موارد مثبت کووید 19 را بدون منفی کاذب تشخیص ‌دهد. در مقایسه با سایر مدل‌های یادگیری عمیق، در طراحی معماری کم عمق CNN از پارامترهای کمتری استفاده شده است. معماری متناسب با CNN کم عمق با استفاده از CXRهای 321 مورد مثبت کووید تأیید شد. علاوه بر موارد مثبت کووید 19، مجموعه دیگری از 5856 مورد غیرکووید 19 (در دسترس عموم، منبع: کاگل) شامل موارد ذات الریه عادی، ویروسی و باکتریایی بررسی شد. به منظور جلوگیری از جهت‌گیری احتمالی، در آزمونهای آزمایشی ما از اعتبارسنجی 5 برابر و هردو مجموعه داده­های متعادل و نامتعادل استفاده شده است. بر اساس نتایج، در حالتی که AUCبرابر با 9995/است، مدل پیشنهادی دارای بالاترین دقت ممکن 99.69٪، با حساسیت 1.0 است. علاوه بر این، میزان موارد مثبت کاذب گزارش شده فقط 0015/ 0به ازای 5856 مورد منفی کووید19 بود. نتایج نشان می­دهند که CNN پیشنهادی می‌تواند در غربالگری انبوه مورد استفاده قرار گیرد. نتایج این مدل که با استفاده از مجموعه دقیقاً مشابهی از CXR حاصل شده­اند ، بهتر از نتایج سایر مدل‌های یادگیری عمیق و مدل­های اصلی جدید بود.