Ricerc@Sapienza

L'anno 2020 è stato caratterizzato dalla pandemia di COVID-19 che ha causato, alla fine di marzo 2021, più di 2,5 milioni di morti in tutto il mondo.
Fin dall'inizio, oltre al test di laboratorio, utilizzato come gold standard, molte applicazioni hanno applicato algoritmi di deep learning alle immagini radiografiche del torace per riconoscere i pazienti infetti da COVID-19.
In questo contesto, abbiamo scoperto che le reti neurali convoluzionali funzionano bene su un singolo set di dati ma lottano per generalizzare ad altre fonti di dati.
Per superare questa limitazione, proponiamo un approccio di late fusion in cui combiniamo gli output di diverse CNN allo stato dell'arte, introducendo un nuovo metodo che ci permette di costruire un ensemble ottimale che determina quali e quanti modelli dovrebbero essere aggregati.
Questa scelta è guidata da una funzione a due obiettivi che massimizza, su un set di validazione, la precisione e la diversità dell'ensemble stesso.
Un'ampia serie di esperimenti su diversi dataset pubblicamente disponibili, che rappresentano più di 92000 immagini, saranno esplorati in modo da validare la robustezza del metodo.