چکیده: پنومونی، یکی از مهم‌ترین علل مرگ‌ومیر عفونی در جهان، به‌ویژه در کودکان و سالمندان است که نیازمند تشخیص سریع و دقیق می‌باشد. تصویربرداری رادیوگرافی قفسه سینه، به‌عنوان ابزار اصلی تشخیص بالینی محسوب می‌شود. با این حال، تفسیر دستی آن وابسته به تجربه رادیولوژیست است که طبیعتاً مستعد خطا است. هدف این پژوهش، ارائه یک مدل ترکیبی نوین و کارآمد مبتنی بر یادگیری عمیق برای تشخیص خودکار سه کلاس کووید-۱۹، پنومونی و نرمال، از تصاویر Xray برای استقرار در مراکزی با منابع محدود می‌باشد.در این پژوهش، یک مدل ترکیبی نوین مبتنی بر تلفیق هدفمند شبکهResNet ، به‌عنوان استخراج‌کننده ویژگی‌های سلسله‌مراتبی محلی و Swin Transformer V2 Tiny به‌عنوان مدل‌ساز وابستگی‌های سراسری ارائه شد. در مدل پیشنهادی، از یک معماری ResNet-50/101 منجمدشده با وزن‌های پیش‌آموزش‌دیده ImageNet استفاده شده است که با اعمال کانولوشن‌های دیلایتد در لایه‌های عمیق، وضوح فضایی نقشه‌های ویژگی را حفظ می‌کند. این رویکرد، ویژگی‌های سلسله‌مراتبی چندمقیاس سطوح مختلف تصویر را به‌صورت مؤثر استخراج می‌نماید. برای غلبه بر محدودیت مدل‌های CNN در مدل‌سازی وابستگی‌های بلندمدت، ویژگی‌های استخراج‌شده پس از کاهش کانال و اعمال بلوک توجه SE، از طریق یک ماژول تطبیق‌دهنده ابعاد، به دو مدل موازی Swin TransformerV2_Tiny وارد می‌شوند. تنها لایه آخر ترانسفورمرها آزادسازی شده است که منجر به آموزش حدود ۲۵٪ پارامترها می‌گردد و کارایی محاسباتی بالایی فراهم می‌آورد.در نهایت، ادغام هوشمند ویژگی‌های سطح متوسط و سطح بالا از طریق مکانیزم توجه متقابل دوسویه و یک طبقه‌بند MLP، پیش‌بینی نهایی کلاس‌ها را انجام می‌دهد. این معماری ترکیبی، نقاط قوت CNN در استخراج ویژگی‌های موضعی و محلی را با توانایی ترانسفورمرها در مدل‌سازی روابط سراسری و زمینه‌محور تلفیق می‌کند. آزمایش‌ها بر روی مجموعه‌داده استاندارد کوهن، نشان داد که مدل با ResNet-50 به دقت ۹۴.۴۹٪ و میانگین امتیاز F1 بالای ۹4٪ و میانگین AUC برابر با ۹۹.۱٪ دست یافته است که در حد دانش روز دنیا می‌باشد. مدل پیشنهادی با حفظ دقت بالا و کاهش چشمگیر پیچیدگی محاسباتی، پتانسیل مناسبی برای استقرار در محیط‌های بالینی با منابع محدود را داراست و گامی مؤثر در جهت توسعه ابزارهای کمکی هوشمند تشخیص پنومونی محسوب می‌شود.