Hintergrund: Der Aufstieg von COVID-19 hat weltweit zu einem unermesslichen Verlust der öffentlichen Gesundheit geführt. Die Welt hat einen schweren Mangel an dem als Goldstandard bekannten Testkit, der als Reverse-Transkriptase-Polymerase-Kettenreaktion (RT-PCR) bekannt ist, erlebt. Die Genauigkeit von RT-PCR beträgt nicht 100 %, und es dauert einige Stunden, bis die Testergebnisse vorliegen. Eine zusätzliche Testlösung zu RT-PCR wäre vorteilhaft. Die Überlegenheit des Deep Learning in der Bildverarbeitung wird als die effektivste COVID-19-Diagnose auf Basis von Bildern charakterisiert. Die geringe Anzahl von COVID-19-Röntgenbildern in bestehenden Deep-Learning-Methoden zur COVID-19-Diagnose kann die Leistung der Deep-Learning-Methoden für neue Bildsätze beeinträchtigen. Unsere Priorität für diese Forschung ist es, verschiedene Deep-Learning-Algorithmen an einem Datensatz zu testen und zu vergleichen, der aus vielen COVID-19-Röntgenbildern besteht. Methoden: Wir haben die öffentlich verfügbaren Bilddaten in zwei Gruppen (COVID und Normal) zusammengeführt. Unser Datensatz enthält 579 COVID-19-Fälle und 1773 normale Fälle von Röntgenbildern. Wir haben 145 COVID-19-Fälle und 150 normale Fälle verwendet, um die Deep-Learning-Modelle zu testen. Deep-Learning-Modelle basierend auf CNN, VGG16 und 19 sowie InceptionV3 wurden für die Vorhersage in Betracht gezogen. Die Leistung dieser Modelle wird anhand von Messungen der Genauigkeit, Sensitivität und Spezifität verglichen. In den Deep-Learning-Modellen wird die SoftMax-Aktivierungsfunktion zusammen mit dem Adam-Optimierer und dem kategorischen Kreuzentropie-Verlust verwendet. Ein in der Literatur gefundenes angepasstes hybrides CNN-Modell wird in Betracht gezogen und verglichen, um zu untersuchen, wie sich die Einbeziehung vieler COVID-19-Röntgenbilder auf die Leistung des Modells auswirken könnte. Ergebnisse: Die Genauigkeit der betrachteten Deep-Learning-Modelle unter Verwendung der InceptionV3-, VGG16- und VGG19-Algorithmen erreichte 50 %, 90 % bzw. 83 % bei der Vorhersage der COVID-19-Röntgenbilder. Wir haben gezeigt, dass die Anzahl der COVID-19-Röntgenbilder einen signifikanten Einfluss auf die Leistung des Modells hat. Ein in der Literatur gefundenes angepasstes hybrides CNN-Modell konnte auf einem Datensatz, der aus einer großen Anzahl von COVID-19-Röntgenbildern besteht, nicht gut abschneiden. Das angepasste hybride CNN-Modell erreichte eine Genauigkeit von 71 % bei vielen COVID-19-Röntgenbildern. Im Gegensatz dazu erreichte es eine Genauigkeit von 98 % bei einer geringen Anzahl von COVID-19-Röntgenbildern. Aus den Experimenten geht auch hervor, dass das VGG16 mit einer erhöhten Anzahl von Bildern gut abschneidet. Schlussfolgerungen: Eine maximierte Anzahl von COVID-19-Röntgenbildern sollte beim Aufbau eines Deep-Learning-Modells berücksichtigt werden. Das Deep-Learning-Modell mit VGG16 schneidet bei der Vorhersage von Röntgenbildern am besten ab.