زمینه و هدف: با توجه به نبود درمان قطعی و موثر و ناشناخته بودن عوارض جانبی بیماری کووید-19، قطع زنجیره انتقال و شیوع این بیماری از اهمیت فراوانی برخوردار است. ارائه راه­کارهای هوشمند و خودکار تحلیل تصاویر گامی موثر در کنترل این بیماری است که می­تواند از فشار کاری حوزه سلامت کاسته شود.
روش‌شناسی: این تحقیق به معرفی و بررسی شاخص­های اختصاصی کروناویروس در تصاویر سی­تی اسکن ریه، و روش­های پردازشی و تشخیص هوشمند(با استفاده از روش یادگیری ماشین) برای شناسایی بیماران کووید-19 پرداخته است.
یافته‌ها: در این تحقیق بعد از دریافت تصاویر سی­تی اسکن ریه­ها، ابتدا پیش­پردازش صورت می­گیرد و سپس به کمک الگوریتم­های GLCM و HOG کار استخراج ویژگی از تصاویر، صورت می­پذیرد. بعلت زیاد بودن کمیت ویژگی­های استخراجی تصاویر، عمل طبقه­بندی امکان­پذیر نمی­باشد بنابراین به کمک الگوریتمChi-Square تعداد ویژگی­های استخراج شده را کاهش داده و سپس با استفاده ازالگوریتم XGBoost، ویژگی‌های استخراجی را طبقه­بندی  کرده و افراد بیمار و افراد سالم را از یکدیگر تفکیک می­کند.
نتیجه‌گیری: این تحقیق با استفاده از مجموعه داده، 2484 تصویر سی­تی اسکن افراد سالم و بیمار و استفاده از پارامترهای ارزیابی به نتایج: دقت 92.2%، حساسیت 92.4% و امتیاز F، 92.3% دست پیدا نموده است.