DOI: https://doi.org/10.1038/s41598-025-33178-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41580460
تاريخ النشر: 2026-01-24
المؤلف: Md. Mahid Arfan Rahat وآخرون
الموضوع الرئيسي: تشخيص COVID-19 باستخدام الذكاء الاصطناعي
نظرة عامة
تقدم البحث إطار عمل شامل للتعلم العميق مصمم لاكتشاف COVID-19 من صور الأشعة المقطعية للرئة، مع معالجة الحاجة المستمرة لأدوات تشخيصية فعالة في سياق المتغيرات الفيروسية المستمرة والتفشي المحلي. يستخدم الدراسة مجموعة بيانات كبيرة تتكون من 25,408 صورة CT، مأخوذة من تسع مجموعات بيانات متاحة للجمهور، لتدريب وتقييم عدة شبكات عصبية تلافيفية (CNNs) ونماذج محولات الرؤية. تم تطوير نموذج خفيف الوزن وموازي جديد، يدمج CNN مخصص مع هيكل عظمي مدرب مسبقًا، محققًا دقة تصنيف تبلغ 97.46% مع الحفاظ على تعقيد حسابي منخفض.
تشير النتائج إلى أن نموذج CNN المقترح، الذي يحتوي على 3.5 مليون معلمة فقط، تفوق على النماذج الأخرى من حيث الدقة والكفاءة. بالإضافة إلى ذلك، فإن استخدام تقنيات الذكاء الاصطناعي القابلة للتفسير، مثل Grad-CAM وLIME، يعزز من قابلية تفسير توقعات النموذج. ومع ذلك، يؤكد المؤلفون على ضرورة التحقق الخارجي الدقيق عبر مجموعات بيانات CT مستقلة ومتعددة المراكز لتأكيد قوة النموذج وقابليته للتعميم قبل أن يمكن اعتماده سريريًا. ستركز الأبحاث المستقبلية على هذه التقييمات عبر المجموعات التجريبية والاختبارات المستقبلية لتحديد الفائدة السريرية للنموذج.
مقدمة
تناقش مقدمة ورقة البحث التأثير المستمر لـ COVID-19، الذي تسببه فيروس SARS-CoV-2، والذي ظهر في أواخر عام 2019 وأدى إلى تحديات صحية واقتصادية كبيرة على مستوى العالم. على الرغم من التحسينات في التطعيم واستراتيجيات الصحة العامة بحلول عام 2025، لا يزال COVID-19 يمثل مصدر قلق صحي عام مستمر، خاصة بسبب ظهور متغيرات جديدة وتفشيات في مناطق ذات معدلات تطعيم منخفضة. تسلط الورقة الضوء على الدور الحاسم لتصوير الأشعة المقطعية (CT) في تشخيص COVID-19، حيث يكشف عن تشوهات رئوية محددة مرتبطة بالفيروس. لتعزيز دقة التشخيص، يستخدم الباحثون بشكل متزايد تقنيات الذكاء الاصطناعي (AI) والتعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs) ومحولات الرؤية (ViTs)، لتحليل صور الأشعة المقطعية بشكل أكثر كفاءة.
تتناول الدراسة التحديات المتعلقة بالتوازن بين حجم النموذج وأدائه في تحليل الصور الطبية، مشيرة إلى أنه بينما تتفوق CNNs في استخراج الميزات المحلية، فإنها غالبًا ما تفشل في التقاط الاعتمادات بعيدة المدى. على العكس، يمكن لنماذج المحولات نمذجة هذه العلاقات العالمية ولكنها تتطلب حسابات مكثفة وتحتاج إلى مجموعات بيانات كبيرة. للتغلب على هذه القيود، يقترح المؤلفون بنية استخراج ميزات مزدوجة المسار خفيفة الوزن ومتوازية لتصنيف صور الأشعة المقطعية، والتي تعالج الميزات المحلية والسياقية في الوقت نفسه. تم تقييم النموذج المقترح على مجموعة بيانات كبيرة من 25,408 صورة CT، حيث أظهر دقة تشخيصية متفوقة مقارنة بعدة نماذج مدربة مسبقًا، مع 3.5 مليون معلمة فقط. تشمل مساهمات الدراسة إنشاء مجموعة بيانات كبيرة من صور الأشعة المقطعية للرئة، وضبط نماذج متطورة مختلفة للتحليل المقارن، والتحقق من قوة النموذج من خلال تقييمات إضافية وطرق الذكاء الاصطناعي القابلة للتفسير.
طرق البحث
توضح قسم المنهجية الإطار الإجرائي للنهج المقترح، كما هو موضح في الشكل 1. يشمل عدة مكونات رئيسية، بما في ذلك اختيار مجموعة البيانات، وتقنيات المعالجة المسبقة المطبقة لتحضير البيانات للتحليل، والنماذج المحددة المستخدمة في الدراسة، ومقاييس التقييم المستخدمة لتقييم أداء النموذج. كل من هذه العناصر حاسمة لضمان قوة وموثوقية النتائج المستمدة من البحث.
النتائج
تقدم قسم النتائج تحليلًا مقارنًا لأداء نماذج CNN المدربة مسبقًا ونماذج المحولات، إلى جانب بنية CNN المقترحة، لتصنيف COVID-19 من صور الأشعة المقطعية للرئة. تشير النتائج، الملخصة في الجدول 4، إلى أن نماذج CNN المدربة مسبقًا تفوقت عمومًا على نماذج المحولات، حيث حققت ResNet50 أعلى دقة بنسبة 96.9% وAUC قدره 0.992. من الجدير بالذكر أنه بينما أظهر نموذج Xception أعلى دقة، كان لديه أقل استرجاع، مما يبرز التبادلات في أداء النموذج. تكشف الديناميات التدريبية الموضحة في الأشكال 4 و5 أن ResNet50 وXception تقاربا بسرعة، بينما أظهر MobileNetV2 تقاربًا أبطأ وزيادة متأخرة في الإفراط في التكيف. أظهر النموذج المقترح من CNN أداءً متفوقًا مع AUC قريب من الكمال قدره 0.994 وأقل عدد من الإيجابيات الكاذبة والسلبية.
لتقييم قدرة التعميم للنموذج المقترح، تم إجراء تجربة إضافية باستخدام صور الأشعة السينية للصدر، حيث حقق النموذج دقة اختبار قدرها 98.48% وحافظ على مقاييس دقة واسترجاع عالية. تعزز هذه الأداء عبر أوضاع التصوير المختلفة قوة النموذج. كما أظهرت البنية المقترحة كفاءة حسابية، حيث تتطلب فقط 1.05 GFLOPs وتحقق أوقات استدلال أسرع مقارنة بـ ResNet50، مما يبرز إمكاناتها كبديل تنافسي في تطبيقات التصوير الطبي.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم والتحديات في استخدام طرق التعلم العميق لاكتشاف COVID-19 من صور الأشعة المقطعية. تستعرض العديد من الدراسات التي استخدمت هياكل مختلفة، بما في ذلك الشبكات العصبية التلافيفية (CNNs) والمحولات، لتعزيز دقة التشخيص. من الجدير بالذكر أن Elmuogy وآخرين حققوا دقة تصنيف قدرها 99.05% باستخدام نهج التعلم الانتقالي مع VGG19، بينما أفاد Rahimzadeh وآخرون بدقة 98.49% مع نموذج يقلل من الإفراط في التكيف من خلال الكشف متعدد المقاييس. ومع ذلك، واجهت العديد من الدراسات قيودًا بسبب صغر حجم مجموعة البيانات، مما أعاق قابلية تعميم النماذج.
تؤكد المراجعة أيضًا على أهمية تقنيات المعالجة المسبقة وزيادة البيانات، كما يتضح من Salama وآخرين، الذين حسّنوا دقة التصنيف إلى 98.98% من خلال معالجة الصور بشكل فعال. على الرغم من النتائج الواعدة، فإن الاعتماد على الهياكل المعقدة غالبًا ما أدى إلى زيادة التكاليف الحسابية والتحديات في قابلية تفسير النموذج. تختتم الورقة بالتطرق إلى الحاجة إلى نهج متوازن يجمع بين الأداء العالي والكفاءة الحسابية وقابلية تفسير النموذج، مقترحة بنية CNN خفيفة الوزن جديدة تحتوي على 3.5 مليون معلمة، تهدف إلى التغلب على قيود الدراسات السابقة مع الحفاظ على قدرات تشخيصية قوية لاكتشاف COVID-19 من صور الأشعة المقطعية للرئة.
القيود
أظهر النموذج المقترح من CNN دقة متفوقة ودرجة F1 مقارنة بنماذج CNN المدربة مسبقًا ونماذج المحولات المعدلة. ومع ذلك، تحتوي الدراسة على قيود ملحوظة تستدعي المزيد من الاستكشاف. من الجدير بالذكر أنه لم يتم إجراء تحقق عبر المجموعات، حيث كان الهدف الرئيسي هو تقييم نماذج مختلفة تحت ظروف تدريب موحدة وتطوير بنية CNN خفيفة وفعالة، مع إعطاء الأولوية لأداء قوي داخل المجموعة.
سيركز البحث المستقبلي على إجراء تجارب عبر المجموعات لتقييم قابلية تعميم النموذج عبر مراكز التصوير المختلفة والسكان. بالإضافة إلى ذلك، سيكون التقييم المزدوج ضروريًا لمقارنة أداء النموذج التشخيصي مع أداء أطباء الأشعة الخبراء، مما يعزز فهم فائدته السريرية. أخيرًا، لضمان قوة النموذج وموثوقيته في بيئات الرعاية الصحية الحرجة من حيث السلامة، ستكون التقييمات المنهجية لاستجاباته للاختلالات العدائية والحالات النادرة ضرورية.
DOI: https://doi.org/10.1038/s41598-025-33178-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41580460
Publication Date: 2026-01-24
Author(s): Md. Mahid Arfan Rahat et al.
Primary Topic: COVID-19 diagnosis using AI
Overview
The research presents a comprehensive deep learning framework designed for the detection of COVID-19 from lung CT scans, addressing the ongoing need for effective diagnostic tools in the context of persistent viral variants and localized outbreaks. The study utilizes a large dataset comprising 25,408 CT images, sourced from nine publicly available datasets, to train and evaluate multiple state-of-the-art convolutional neural networks (CNNs) and vision transformer models. A novel lightweight parallel model was developed, integrating a custom CNN with a pretrained backbone, achieving a classification accuracy of 97.46% while maintaining low computational complexity.
The findings indicate that the proposed CNN model, with only 3.5 million parameters, outperformed other models in terms of accuracy and efficiency. Additionally, the use of explainable AI techniques, such as Grad-CAM and LIME, enhances the interpretability of the model’s predictions. However, the authors emphasize the necessity for rigorous external validation across independent, multi-center CT datasets to confirm the model’s robustness and generalizability before it can be adopted clinically. Future research will focus on these cross-dataset evaluations and prospective testing to establish the model’s clinical utility.
Introduction
The introduction of the research paper discusses the ongoing impact of COVID-19, caused by the SARS-CoV-2 virus, which emerged in late 2019 and has led to significant global health and socioeconomic challenges. Despite improvements in vaccination and public health strategies by 2025, COVID-19 remains a persistent public health concern, particularly due to the emergence of new variants and outbreaks in regions with lower vaccination rates. The paper highlights the critical role of computed tomography (CT) imaging in diagnosing COVID-19, as it reveals specific lung abnormalities associated with the virus. To enhance diagnostic accuracy, researchers are increasingly utilizing artificial intelligence (AI) and deep learning techniques, particularly convolutional neural networks (CNNs) and vision transformers (ViTs), to analyze CT scans more efficiently.
The study addresses the challenges of balancing model size and performance in medical image analysis, noting that while CNNs excel at local feature extraction, they often fail to capture long-range dependencies. Conversely, transformer models can model these global relationships but are computationally intensive and require large datasets. To overcome these limitations, the authors propose a lightweight, parallel dual-path feature extraction architecture for CT image classification, which processes local and contextual features simultaneously. Evaluated on a substantial dataset of 25,408 CT images, the proposed model demonstrated superior diagnostic accuracy compared to several baseline pretrained models, with only 3.5 million parameters. The study’s contributions include the creation of a large-scale lung CT dataset, fine-tuning of various state-of-the-art models for comparative analysis, and validation of the model’s robustness through additional evaluations and explainable AI methods.
Methods
The methodology section details the procedural framework of the proposed approach, as illustrated in Figure 1. It encompasses several key components, including the dataset selection, preprocessing techniques applied to prepare the data for analysis, the specific models employed in the study, and the evaluation metrics used to assess model performance. Each of these elements is critical for ensuring the robustness and validity of the findings derived from the research.
Results
The results section presents a comparative analysis of the performance of pretrained CNN and Transformer models, alongside a proposed CNN architecture, for classifying COVID-19 from lung CT scans. The findings, summarized in Table 4, indicate that pretrained CNN models generally outperformed Transformer models, with ResNet50 achieving the highest accuracy of 96.9% and an AUC of 0.992. Notably, while the Xception model exhibited the highest precision, it had the lowest recall, highlighting trade-offs in model performance. The training dynamics illustrated in Figures 4 and 5 reveal that ResNet50 and Xception converged quickly, whereas MobileNetV2 showed slower convergence and late overfitting. The proposed CNN model demonstrated superior performance with a near-perfect AUC of 0.994 and minimal false positives and negatives.
To evaluate the generalization ability of the proposed CNN, an additional experiment was conducted using chest X-ray images, where the model achieved a test accuracy of 98.48% and maintained high precision and recall metrics. This performance across different imaging modalities reinforces the model’s robustness. The proposed architecture also exhibited computational efficiency, requiring only 1.05 GFLOPs and achieving faster inference times compared to ResNet50, which underscores its potential as a competitive alternative in medical imaging applications.
Discussion
The discussion section of the research paper highlights the advancements and challenges in utilizing deep learning methods for COVID-19 detection from CT scan images. It reviews various studies that have employed different architectures, including convolutional neural networks (CNNs) and transformers, to enhance diagnostic accuracy. Notably, Elmuogy et al. achieved a classification accuracy of 99.05% using a transfer learning approach with VGG19, while Rahimzadeh et al. reported 98.49% accuracy with a model that mitigated overfitting through multi-scale detection. However, many studies faced limitations due to small dataset sizes, which hindered the generalizability of the models.
The review also emphasizes the importance of preprocessing and data augmentation techniques, as demonstrated by Salama et al., who improved classification accuracy to 98.98% through effective image preprocessing. Despite the promising results, the reliance on complex architectures often led to increased computational costs and challenges in model interpretability. The paper concludes by addressing the need for a balanced approach that combines high performance with computational efficiency and model explainability, proposing a novel lightweight CNN architecture with 3.5 million parameters, which aims to overcome the limitations of previous studies while maintaining robust diagnostic capabilities for COVID-19 detection from lung CT scans.
Limitations
The proposed CNN model demonstrated superior accuracy and F1 score compared to fine-tuned pretrained CNN and transformer models. However, the study has notable limitations that warrant further exploration. Notably, cross-dataset validation was not conducted, as the primary objective was to benchmark various models under uniform training conditions and to develop a lightweight, effective CNN architecture, prioritizing strong intra-dataset performance.
Future research will focus on conducting cross-dataset experiments to evaluate the model’s generalizability across different imaging centers and populations. Additionally, a blinded evaluation will be essential to compare the model’s diagnostic performance against that of expert radiologists, thereby enhancing understanding of its clinical utility. Lastly, to ensure the model’s robustness and reliability in safety-critical healthcare environments, systematic assessments of its responses to adversarial perturbations and edge cases will be necessary.