Journal of Control

en غربالگری سریع کووید-19 با استفاده از آزمایش خون و روش‌های هوش‌مصنوعی Rapid COVID-19 Screening Based on the Blood Test using Artificial Intelligence Methods کووید 19 COVID-19 كاربردي Review paper <div style="text-align: justify;">بیماری COVID-19 که به دلیل ورود ویروس SARS-CoV-2  به بدن ایجاد می‌شود با سرعت چشمگیری در حال شیوع یافتن است. این ویروس به قدری خطرناک است که از زمان ظهور تاکنون جان بسیاری از افراد جهان را گرفته است. همین امر نشان می‌دهد که تشخیص زودهنگام افراد مبتلا به بیماری COVID-19 برای کنترل شیوع این ویروس خطرناک بسیار حیاتی است. در حال حاضر دو روش تشخیصی رایج برای این بیماری، تصویربرداری سی تی اسکن از ریه و آزمایش مولکولی RT-PCR<a href="#_ftn1" name="_ftnref1" title="">[1]</a> است. روش تصویربرداری سی تی اسکن از ریه در کنار نقاط قوتی نظیر سرعت بالای اسکن، هزینه انجام اسکن پایین دارای نقاط ضعفی از جمله نیاز به رادیولوژیست جهت تحلیل تصاویر، معظلات ناشی از در معرض اشعه ایکس قرار گرفتن و خطرناک بودن این روش برای زنان باردار و نوزادان می‌باشد. در خصوص نقاط ضعف روش تشخیصی آزمایش مولکولی می‌توان به هزینه بالای انجام آزمایش، وابستگی به کیت‌های وارداتی و مدت زمان طولانی دریافت نتایج آزمایش اشاره کرد هرچند که این روش دارای صحت تشخیصی بالاتری نسبت به سی تی اسکن ریه می‌باشد، در این مقاله، ما روشی کمهزینه، سریع و در دسترس برای تشخیص زود هنگام بیماری COVID-19 بر اساس مدلهای هوش‌مصنوعی<a href="#_ftn2" name="_ftnref2" title="">[2]</a> و آزمایش خون روتین ارائه دادیم که علاوه بر تشخیص زودهنگام به دلیل قابلیت تکرارپذیری خوبی که دارد می‌توان از آن برای غربالگری افراد و جوامع مختلف استفاده کرد. در این مطالعه، از آزمایش خون ۶۶۳۵ بیمار مراجعه کننده به بیمارستان بانک ملی ایران استفاده شده است. سه مدل یادگیری ماشین از قبیل شبکه عصبی فازی تطبیقی، ماشین بردار پشتیبان و شبکههای عصبی مورد ارزیابی قرار گرفت. نتایج نشان می‌‌دهد که روش پیشنهادی ما میتوانند افراد مبتلا به COVID-19 را با صحت %84 و  F1-score %83 تشخیص دهد. همچنین گروه تحقیقاتی ما وب سایت آنلاین به نام  CODAS طراحی کرده است تا مخاطبین بتوانند روش پیشنهادی ما را به راحتی و در دنیای واقعی ارزیابی نمایند. <div> <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Reverse Transcription Polymerase Chain Reaction (RT-PCR)</div> <div id="ftn2"><a href="#_ftnref2" name="_ftn2" title="">[2]</a> Artificial Intelligence (AI)</div> </div> </div> <div style="text-align: justify;">Coronavirus Disease 2019 (COVID-19) caused by the SARS-CoV-2 virus is spreading rapidly worldwide and has led to widespread deaths globally. As a result, the early diagnosis of patients with COVID-19 is vital to control this dangerous virus's release. There are two common diagnosing methods, chest computed tomography scan (CT-scan) and Reverse Transcription Polymerase Chain Reaction (RT-PCR) test. The most significant disadvantages of RT-PCR molecular tests are the high cost and the long waiting time for test results. The common weaknesses of chest CT-scan are the need for a radiologist to analyze, a misdiagnosis of flu disease due to its similarity, and risky for pregnancy and infants. This article presents a low-cost, highly available method for early detection of COVID-19 based on Artificial Intelligence (AI) systems and blood tests. In this study, 6635 patient's blood tests are used. Experiments conducted using three machine learning algorithms. The results show that the proposed method can detect COVID-19 with an accuracy of %84 and an F1-score of %83. The trained model is being used in a real-world product through an online website called CODAS.</div> هوش‌مصنوعی, آزمایش خون, سیستم فازی, شبکه‌عصبی, ماشین بردار پشتیبان, کووید-۱۹, غربالگری Artificial intelligence, Blood test, Fuzzy system, Neural network, Support vector machine, COVID-19, Screen 131 140 http://joc.kntu.ac.ir/browse.php?a_code=A-10-82-4&slc_lang=en&sid=1 Soheil Mehralian سهیل مهرعلیان mehralian@ee.kntu.ac.ir 10031947532846007865 10031947532846007865 No Intelligent Systems Lab., Electrical & Computer Eng. Faculty of K. N. Toosi University of Technology, Tehran, Iran آزمایشگاه سیستم‌های هوشمند دانشگاه صنعتی خواجه‌نصیرالدین طوسی Effat Jalaeian Zaferani عفت جلائیان زعفرانی jalaeian@ee.kntu.ac.ir 10031947532846007866 10031947532846007866 No Intelligent Systems Lab., Electrical & Computer Eng. Faculty of K. N. Toosi University of Technology, Tehran, Iran آزمایشگاه سیستم‌های هوشمند دانشگاه صنعتی خواجه‌نصیرالدین طوسی Shahrzad Shashaani شهرزاد شعشعانی Shahrzad.sh7798@gmail.com 10031947532846007867 10031947532846007867 No Intelligent Systems Lab., Electrical & Computer Eng. Faculty of K. N. Toosi University of Technology, Tehran, Iran آزمایشگاه سیستم‌های هوشمند دانشگاه صنعتی خواجه‌نصیرالدین طوسی Farnaz Kashefinishabouri فرناز کاشفی نیشابوری Farnaz.kashefi.n@gmail.com 10031947532846007868 10031947532846007868 No Intelligent Systems Lab., Electrical & Computer Eng. Faculty of K. N. Toosi University of Technology, Tehran, Iran آزمایشگاه سیستم‌های هوشمند دانشگاه صنعتی خواجه‌نصیرالدین طوسی Mohammad Teshnehlab محمد تشنه‌لب teshnehlab@eetd.kntu.ac.ir 10031947532846007869 10031947532846007869 Yes Intelligent Systems Lab., Electrical & Computer Eng. Faculty of K. N. Toosi University of Technology, Tehran, Iran آزمایشگاه سیستم‌های هوشمند دانشگاه صنعتی خواجه‌نصیرالدین طوسی Hosein Ali Sokhandan حسین‌علی سخندان personal023@bmi.ir 10031947532846007870 10031947532846007870 No BMI hospital, Tehran, Iran بیمارستان بانک ملی ایران Zahra Sadat Dibaji Forooshani زهرا سادات دیباجی فروشانی atousadiba@yahoo.com 10031947532846007871 10031947532846007871 No BMI hospital, Tehran, Iran بیمارستان بانک ملی ایران Bina Montazer بینا منتظر Bina.montazer@gmail.com 10031947532846007872 10031947532846007872 No BMI hospital, Tehran, Iran بیمارستان بانک ملی ایران Zeinab Joneidi زینب جنیدی zeinabdjoneidi@zumc.ac.ir 10031947532846007873 10031947532846007873 No Department of genetics and molecular medicine, Zanjan University of Medical Sciences, Zanjan دانشگاه علوم پزشکی زنجان Maryam Vafapeyvand مریم وفاپیوند m.vafapeivand@gmail.com 10031947532846007874 10031947532846007874 No BMI hospital, Tehran, Iran بیمارستان بانک ملی ایران