در اواخر سال ۲۰۱۹ سازمان بهداشت جهانی بیماری کرونا را به عنوان یک اپیدمی اعلام کرد‌.  این بیماری به سرعت در سطح جهان گسترش پیدا کرد و بعد از مدت کوتاهی کشورهای زیادی را درگیر کرد‌.  یکی از روش‌‌های تشخیص بیماری کرونا استفاده از تصاویر سی‌‌تی‌‌اسکن ریه و روش‌‌های پردازش تصویر می‌‌باشد که نسبت به روش‌‌های آزمایشگاهی ارزان‌‌تر و در دسترس‌‌تر می‌‌باشد‌.  یکی از چالش‌‌های روش‌‌های مبتنی بر تصویر این است که در اکثر مواقع بیماری کرونا لزوماً ریه‌‌ها را درگیر نمی‌‌کند و در تصاویر سی‌‌تی‌‌اسکن این بیماری نیز پنهان است‌.  چالش دیگر این روش‌‌ها عدم توجه به ویژگی‌‌های ویروس کرونا و سایر علائم بالینی و سایر ویژگی‌‌های مربوط به این ویروس و واکنش بدن فرد به آن است‌.  استفاده از اطلاعات پرونده بیماران یا اطلاعات منتشر شده در شبکه‌های اجتماعی می‌‌تواند در حل این مشکل موثر باشد‌.  این مقاله یک روش ترکیبی مبتنی بر شبکه عصبی و هستی‌‌شناسی مربوط به بیماران ارائه می‌کند که با توجه به اطلاعات فر‌‌دی و بالینی طبقه‌‌بندی بیماران را انجام می‌دهد‌.  روش پیشنهادی دارای دو مرحله است: مرحله انتخاب ویژگی و مرحله طبقه‌‌بندی‌.  انتخاب ویژگی بر اساس هستی‌‌شناسی اطلاعات مربوط به بیماران و مراجعه‌کنندگان به مراکز درمانی و با استفاده از الگوریتم بهینه‌‌سازی فراابتکاری نهنگ[1] و الگوریتم بهینه‌‌سازی هریس‌‌هاکس[2] انجام می‌شود‌. برای طبقه‌‌بندی بیماران نیز ‌‌از شبکه عصبی چندلایه استفاده می‌‌شود‌. نتایج ارزیابی روش پیشنهادی با یک مجموعه داده واقعی نشان داد که صحت، حساسیت و دقت روش پیشنهادی در تشخیص بیماران کووید 95درصد، 27/94 درصد و 76/94 درصد می‌باشد‌. همچنین مقایسه روش پیشنهادی با سایر روش‌های یادگیری ماشین مانند شبکه عصبی هم‌آمیختی[3]، شبکه عصبی هم‌آمیختی- حافظه کوتاه‌مدت طولانی[4] و ماشین بردار پشتیبان[5] در تشخیص بیماران کرونا از افراد سالم حاکی از دقت بالاتر می‌باشد‌.
 

Whale Optimization Algorithm (WOA)
Harris Hawk Optimization (HHO)
Convolutional neural network (CNN)
Long short-term memory (LSTM)
Support vector machines (SVM)