نماذج التعلم العميق الهجينة المبتكرة من CNN وترانسفورمر للتشخيص الآلي لجدري القردة من الصور الطبية

ملخص

أدى استخدام مجموعة مختارة من 2,280 صورة لآفات الجلد إلى إنتاج سير عمل موحد للتعلم العميق الثنائي لتصنيف وجود mpox في كل صورة. تمت مقارنة نموذج مخصص ونموذج InceptionV3، ResNetV2، ResNet50، DenseNet121، ونموذج هجين من CNN-transformer في سياق خط أنابيب مشترك للمعالجة المسبقة والتدريب المشترك.

الملخص

لا يزال المظهر البصري لآفات جلد جدري القرد غير مستقر جيدا بسبب تشابهها مع أمراض الجلد الحويصلية والبثورية الأخرى. اختبرت هذه الورقة فرضية أن نموذج التعلم العميق الهجين، المدمج مع مشفرات الميزات الالفافية والمحولات، يمكنه تصنيف صور mpox تلقائيا ضمن خط أنابيب تجريبي موحد. لضمان الاتساق عبر النماذج والتقارير، تم إجراء التحليل الرئيسي كمهمة ثنائية: mpox مقابل حالات أخرى بنفس العرض أو نفس العرض. تكونت بيانات الاختبار هذه من 2,280 صورة: 1,020 mpox و1,260 صورة آفة غير mpox. تم تقليل العينة من الصور إلى حجم إدخال قياسي يتراوح بين 150 × 150 بكسل، وكانت القيم في النطاق [0, 1]. خلال التدريب، تم تعزيز الصور بالدوران والترجمة والقص والتكبير والقلب الأفقي. تمت مقارنة شبكة CNN متسلسلة مخصصة، InceptionV3، ResNetV2، ResNet50، DenseNet121، وبنية هجينة مقترحة لمحول CNN. تم تدريب كل نموذج أساسي لمدة 15 حقبة باستخدام محسن آدم وفقدان الإنتروبيا الثنائية المتقاطعة. تم قياس دقة التدريب والتحقق، والفقدان، والدقة، والاستدعاء، ودرجة F1، والمساحة تحت منحنى خصائص تشغيل المستقبل لتقييم الأداء حيثما أمكن. تمت ملاحظة أفضل دقة تحقق داخلي تم الإبلاغ عنها مع CNN التسلسلي، وحقق النموذج الهجين دقة بلغت 98.50، واستدعاء 98.50، ودرجة F1 بلغت 98.58، مما أدى إلى ملف تمييزي متوازن. يظهر InceptionV3 علامات على الإفراط في التركيب، ولم يوفر ResNetV2 بيانات تحقق كافية لدعم اختبار تعميم قوي. بشكل عام، يمكن اعتبار النموذج الهجين استراتيجية قابلة للتطبيق ومتوازنة وليس بالضرورة أفضل من جميع الخطوط الأساسية.

المقدمة

الكشف الآلي والسريع عن البوكس في الحالات الطبية له أهمية سريرية لأن المرض يمكن أن يكون مشابها لمجموعة متنوعة من الانفجارات الحويصلية أو البثورية الأخرى عند التقييم البصري الأولي. لا يولي الأطباء في الممارسة اهتماما كبيرا لشكل الآفات وحده، لكنهم يجمعون بين النمط، والتوزيع، والتاريخ، وخطر التعرض، والسياق الوبائي، والتأكيد المخبري¹. ومع ذلك، تستخدم الأدوات الحاسوبية الصور ويمكنها أيضا إجراء إجراء فرز مفيد في بيئات يكون فيها المراجعة الجلدية المتخصصة محدودة أو متأخرة. ويكون هذا الأسلوب مناسبا بشكل خاص عندما يتعلق الأمر بتتبع التفشي، وفحص الأمراض الجلدية، والبيئات التي تعاني من محدودية الموارد والتي تحتوي على عدد كبير من الحالات المحتملة التي يجب إعطاؤها الأولوية للخضوع للاختبارات التأكيدية.

كما ظهرت الأساليب القائمة على التعلم العميق كجذابة لهذه المهمة، حيث يمكنها اكتشاف صور تمييزية للآفات دون الحاجة إلى أوصاف يجب إنشاؤها^يدويا. لا تزال المراجعة الأكثر شعبية في الأدبيات تنتمي إلى الشبكات العصبية الالفافية بسبب فعاليتها في التعرف على الملمس المحلي، ونطاق الألوان، وهوامش الآفات³. وقد طورت الأعمال الحديثة هذا النموذج بمساعدة التعلم الانتقالي، وآليات الانتباه، ووحدات المحول، التي تحاول نمذجة اعتماد مكاني أكبر للصورة. ومع ذلك، فإن الأدبيات حول mpox تظهر أداء مرتفعا ويجب أخذه بحذر. مجموعة واسعة من الدراسات استخدمت مجموعات بيانات عامة قليلة، أو لديها مجموعات مختلفة من الفئات غير المتجانسة، أو قارنت النتائج مع مجموعة متنوعة من أنظمة المعالجة المسبقة والتحقق^4. وبسبب ذلك، غالبا ما يكون هناك معضلة حول ما إذا كانت زيادات الأداء نتيجة لنموذج متفوق حقا، أو تقسيم مرغوب، أو تعزيز قوي، أو تفاوتات في صياغة المهمة الأساسية.

يظل الجدري واحدا من الأمراض المعدية المهمة ذات الآثار السلبية على الصحة العامة، حيث يمكن أن تخلط آفاته المتعلقة بعدوى الجلد مع آفات حواضيلة وبثورية أخرى على الواجهة أثناء فحص العين خلال الفحص^{الأولي.} عمليا، لا يقوم الأطباء بتشخيص MPOX بناء على الشكل: النمط، التوزيع، التاريخ، علم الأوبئة، والتأكيد المخبري هي مكونات من قرار التشخيص⁶. ومع ذلك، يمكن أن تلعب دورا مفيدا في عملية الفرز بمساعدة الأدوات الحاسوبية التي تعتمد على الصور، خاصة عندما تكون خبرة أطباء الجلدية غير كافية أو بطيئة أو غير متوفرة. قد تكون قابلة للتطبيق في طب الأمراض الجلدية عن بعد، وفي الحالات التي يجب فيها معالجة التفشي بالفحص، وفي الأماكن التي تعاني من محدودية الموارد حيث يجب معالجة الحالات المشتبه بها في قائمة الأولويات بسرعة⁷.

طرق التعلم العميق، لأنها تسمح بتعلم تمثيلات الآفات التمييزية، ستكون جذابة لهذه المهمة لأنها تتعلم مثل هذه التمثيلات بدون أوصاف يدوية، اعتمادا على خصائص الصور المدخلة⁸. كان من الحماس في مجال الصور الجلدية استخدام الشبكات العصبية الالتفافية (CNNs) في تحليل الصور، حيث تمتلك القدرة على ترميز الملمس المحلي، ومحيط الآفات، ومعنى الشكل الدقيق. وقد قدمت الدراسات اللاحقة هذا النموذج من خلال الوحدات الفرعية القائمة على التعلم الانتقالي، والانتباه، والمحولات لتعلم علاقات مكانية عامة واتجاهات سياقية^أكثر عمومية. ومع ذلك، لا تزال الأدبيات حول تصوير المبوكس غير متجانسة. ليس من غير المألوف أن يتم الإبلاغ عن الأداء على أنه يعتمد ليس فقط على اختيار البنية، بل أيضا بناء على بنية مجموعة البيانات، خطة التعزيز، تعريف الفئات، وبنية التحقق¹⁰. إذا، الأداء الجيد للعناوين لا يعني بالضرورة زيادة التعميم.

في العمل الحالي، يتم حل هذه المشكلة باستخدام معيار تصنيف الصور mpox الثنائي أكثر وضوحا واتساقا داخليا¹¹. لا يناقش المساهمة في صيغة اقتراح بنية هجينة جديدة كليا، حيث تم توزيع طرق المحولات CNN بالفعل في جميع أنحاء الأدبيات¹². بدلا من ذلك، تقدم التجربة مقارنة قياسية مع التحليل الثنائي الأولي الصريح، حيث يتم النظر في الأدلة متعددة الفئات الإضافية، والمعالجة المسبقة/التدريب، وأداء النماذج بطريقة صديقة للبروتوكول، ويؤخذ أداء النموذج بطريقة محافظة مقارنة ببيئة التجربة¹³. في هذا النموذج، يمكن أن يكون نموذج محول CNN ذا أهمية وظيفية لأن CNN مصممة بشكل مثالي لالتقاط معلومات الآفات المحلية، في حين أن التمثيلات القائمة على المحولات لديها القدرة على تمثيل البنية المكانية طويلة المدى ذات الاهتمام في الأمراض الجلدية أيضا.

يمكن تقسيم أبحاث تصنيف الصور الحديثة ل mpox إلى ثلاثة تيارات بحثية واسعة تعتمد على منهجية. الأخير يعتمد على CNNs التقليدية والتعلم الانتقالي بسبب نضجها، وسرعة الحوسبة، وإعادة إنشاء النسيج الخاص بالآفات¹⁴. الأخير يستكشف نماذج الانتباه أو النماذج المحولة، وهي أكثر ملاءمة لتعلم السياق العالمي للآفات. الثالث يدمج الالتفاف والانتباه في خطوط الأنابيب الهجينة للحفاظ على الحساسية المحلية مع استخدام نمذجة سياقية أكبر. أفادت عدة دراسات بأداء عال لا يمكن مقارنته مباشرة بسهولة لأن الدراسات تختلف في حجم مجموعة البيانات، واستراتيجية التنسيق، وبنية الفئات، والمعالجة المسبقة وبروتوكول التحقق¹⁵. هي موجهة للتصنيف الثنائي، وتعتمد على التمييز الجلدي متعدد الفئات، وليس جميعها لديها نفس مقاييس التقييم. قد تتضمن مجموعات بيانات صور الجدري التي أصبحت متاحة للجمهور أيضا صورا شبه مكررة أو متشابهة جدا، مما يتطلب تضخيم الأداء الظاهر في حال لم يكن التحكم المنقسم كافيا¹⁶.

يستند التحليل المعطى إلى مجموعة ثنائية محكمة تضم 2,280 صورة لآفات جلدية، و1,020 صورة لميكروفونات البوكس و1,260 صورة لآخر. تتداخل الفئة الأخرى مع الآفات غير الميكروفونية التي تظهر للعين المجردة، وهذا يجعل المهمة صياغة فرز مبكرة مثيرة للاهتمام سريريا، مقارنة بنظام تحديد المواقع الجلدي الكامل¹⁷. تم تعديل حجم الصور جميعها، وتوحيدها، وتوحيدها، وتقييمها في مسار تدريب-تحقق داخلي نموذجي. كان الهدف الرئيسي هو مقارنة سلوك نماذج التعلم العميق التقليدية والهجينة في معيار شفاف واستنتاج حول ما إذا كانت البنية الهجينة المقترحة تقدم توازنا أفضل بين التمييز والتفسير مقارنة بالأساسيات الشائعة.

الفجوة المحددة التي تعالجها النسخة المعدلة الحالية ليست مجرد عرض للنموذج الهجين، حيث تم تغطية استراتيجيات المحولات الCNN الهجين بالفعل في الأدبيات. بدلا من ذلك، يكمن الانفصال في أن ما كان مطلوبا هو مقياس أكثر تميزا ومتسقا داخليا يتجاهل المهمة الثنائية الأساسية ومخرجات الفئات الاستكشافية المتعددة، ويصف خط أنابيب المعالجة المسبقة والتدريب بطريقة قابلة للتكرار، ويقدم أداء النموذج بطريقة لا تبالغ في الجدة أو الاستعداد السريري¹⁸. من هذه الناحية، تستحق البنية الهجينة النظر في ذلك، حيث تتفوق شبكات CNN في استخراج الميزات المحلية، ويمكن للانتباه الشبيه بالمحولات نظريا نمذجة تكوينات الآفات العالمية والروابط المكانية طويلة المدى للمساعدة في التشخيص البصري¹⁹. السؤال العملي ليس حول ما إذا كان التصميم الهجين سيحقق توازنا إيجابيا بين التمييز والاستقرار والتفسير مقارنة بالخطوط الأساسية النموذجية على نفس جانب البيانات المنسقة، بل حول ما إذا كان يوفر توازنا جيدا بين الضرائب والاستقرار وقابلية التفسير.

يمكن تقسيم أحدث الأعمال حول تحليل الصور بالmpox إلى ثلاثة تيارات عامة لدراسة الطرق. الأول يستخدم شبكات CNN التقليدية وبنى التعلم التحويلي بسبب نضجها، وكفاءتها الحسابية، وقدرتها على تعلم النسيج الخاص بالآفات والخصائص المورفولوجية المحلية²⁰. التيار الثاني يقدم نماذج محول الرؤية أو المعزز بالانتباه لالتقاط الارتباطات المكانية الأوسع فوق حقل الآفات، خاصة عندما تتكون بقع النسيج من توزيع آفة سياقي، وبالتالي قد تكون مهمة بقدر أهمية بقع النسيج الفردية. أما التيار الثالث فيضيف الالتفاف والانتباه لدعم خطوط الأنابيب الهجينة في محاولة للحفاظ على الحساسية المحلية لشبكات CNN مع الاستفادة من قدرة النمذجة السياقية لكتل الانتباه.

على الرغم من أن معظم هذه الأعمال تدعي دقة عالية، إلا أن المقارنة بين الدراسات ليست مهمة سهلة بسبب الاختلافات في الحجم، واستراتيجية التنسيق، وتركيب الفئة، وتصميم التحقق عبر مجموعات البيانات²¹. هناك منشورات تقيم التمييز الثنائي، وأخرى تقيم تصنيفات الأمراض الجلدية متعددة الفئات. بعضها متوازن أيضا في الإبلاغ عن الدقة والاستدعاء، وبعضها يركز على الدقة²². أيضا، يمكن أن تعتمد مجموعات بيانات mpox المبلغ عنها على مجموعات الصور عبر الإنترنت، أو مجموعات منسقة، أو مجموعات فرعية معززة، مما يمكن أن يعزز الأداء المبلغ عنه عندما لا تتم إدارة تسرب التحقق من القطار أو الصور شبه المكررة بشكل جيد. لذا، لا يحتفظ الجدول 1 كملخص للأعمال السابقة، بل كخريطة تخطيطية لعائلات النماذج، وقيود مجموعات البيانات، والفرص التي توفرها الطرق المتاحة في هذا البحث.

تنعكس القيمة المنهجية للعمل المعطى بطريقة أكثر محدودية وأكثر قابلية للدفاع. ستناقش هذه الورقة ضرورة المعيار الثنائي الشفاف بمساعدة مجموعة البيانات المنسقة المقدمة، وتبلغ عن إجراءات المعالجة المسبقة والتدريب، وتقارن مباشرة بين النموذج الهجين المقترح والخطوط الأساسية^{الشائعة 23}. تفصل هذه التغييرات أيضا بين التجربة الثنائية الرئيسية وأدلة التكميلات متعددة الفئات بطريقة تسمح بربط ادعاءات الأداء بالسياق التجريبي المناسب²⁴. الفرق يحدث فرقا حاسما في التحليل الخطابي لسلوك النماذج، والمقاييس المبلغ عنها، والعملية المحددة.

التجربة الرئيسية لهذا النص هي تجربة تصنيف ثنائية على مجموعة أصغر من 2280 صورة لآفات جلدية، تم تنسيقها يدويا. في هذه المجموعة، كان عدد الصور التي تم تحديدها ك mpox 1,020، والصور التي تم تصنيفها كأخرى كانت 1,260. الفئة الأخرى تتضمن عرض مظاهر جلدية غير مرتبطة ب mpox ذات طابع بصري، معظمها آفات حيث تشير المخطوطة إليها كآفات شبيهة بجدري الماء والحصبة²⁵. يجعل هذا التسمية الثنائية هذه المجموعة الثنائية ذات أهمية سريرية كصيغة فحص بدائية لأن النموذج يستفسر عما إذا كان النموذج قادرا على تفكيك البدائل المشتبه بها في ال mpox والبدائل المربكة بصريا، لكنه أيضا أقل تعقيدا من معيار الأمراض الجلدية متعدد الفئات الكامل.

كان يجب توحيد تدريب العارضات، بحيث يتم معالجة جميع الصور مسبقا قبل التدريب. كما ذكرت المخطوطة تغيير الحجم، وتطبيع الشدة، والتعزيز، وتحويل التسميات التصنيفية إلى الثنائية. ومع ذلك، في المعنى المحدث، تعتبر هذه الخطوات مكونات لخط أنابيب قابل للتكرار وليست ملاحظات مكتوبة على الأطراف. تم تقسيم مصفوفة الاختبار إلى مجموعات تدريب وتحقق تتكون من دلائل، ويجب بعد ذلك اعتبار مؤشرات الأداء المذكورة تأثيرات داخلية على أداء التحقق بدلا من أن تكون مؤشرات لمجموعة اختبار خارجية مستقلة تماما. للتوضيح أكثر، سيتم اعتبار هذه المجموعة التي تضم 2,280 صورة البيانات الرسمية التي سيتم إجراء التحليل الرئيسي عليها. تم اختيار الإطار الثنائي لأنه يعكس سؤال الفرز المبكر الشائع في الممارسة: هل صورة آفة مشبوهة أكثر احتمالا لأن تكون MPox مقارنة بالحالات البصرية المشابهة الأخرى؟ هذا الإطار محدود مقارنة بتشخيص الأمراض الجلدية الموسع، لكنه نقطة انطلاق صالحة وقابلة للتفسير تقنيا للمقارنة المقارنة.

كما يأخذ الوصف المحدث لمجموعة البيانات في الاعتبار حقيقة أن الورقة تتضمن بعض المخرجات الإضافية التي تم الحصول عليها بمساعدة هياكل فئات مختلفة أو بعض المجموعات الفرعية المثرية، والتي تظهر في الأشكال 1A–I. بدلا من حذف تلك المواد، تقوم المخطوطة الآن بوضعها في سياقها مباشرة للسماح للقراء برؤية النتائج التي هي جزء من المعيار الثنائي وتلك التي هي جزء من تجارب ثانوية. ستحافظ هذه الطريقة على كامل توثيق هذه الدراسة، لكنها لن تسمح بدمج أي تجارب غير متوافقة في تأكيد واحد.

البروتوكول

ملاحظة: استخدم مجموعة بيانات الصور الثنائية المنسقة mpox الموضحة في المخطوطة للتجربة الرئيسية. تحتوي مجموعة البيانات على 2,280 صورة لآفات جلدية، بما في ذلك 1,020 صورة بحجم mpox و1,260 صورة مصنفة كأخرى. استخدم تحليل الصور الثانوي فقط؛ لا تقوم بإجراء استقطاب المرضى مباشرة، أو التدخل السريري، أو التجارب الحيوانية، أو توليد عينات بيولوجية جديدة كجزء من هذا العمل.

1. الحصول على مجموعة البيانات وتنظيمها

1. حدد مخطط تسمية ثنائية بفئتين: mpox وأخرى.
2. قم بتعيين آفات غير متروثة بصريا متشابهة للفئة الأخرى.
3. فحص جميع الصور للوضوح من حيث القراءة، وهوية الفئة، وملاءمة التصنيف الخاضع للإشراف.
4. استبعد الصور غير القابلة للاستخدام أو الغامضة أثناء التنسيق.
5. نظم الصور المنسقة في مجلدات فئات قائمة على الدليل لتحميل المراحل النهائية باستخدام مولدات الصور.

2. إعادة تكبير الصور وتطبيعها

1. قم بتغيير حجم جميع الصور إلى 150 × 150 بكسل قبل تدريب النموذج.
2. تطبيق الاستيفاء الثنائي أثناء تغيير الحجم للحفاظ على انتقالات الصور السلسة.
3. أعد تكبير شدة البكسل بقسمة قيمة كل بكسل على 255.
4. تطبيع جميع شدات الصورة إلى النطاق [0,1].
   ملاحظة: استخدم نفس إجراء الدقة المكانية والتطبيع لجميع النماذج للحفاظ على مقارنة عادلة بين البنى.

3. تعزيز صور التدريب

1. طبق التعزيز فقط على مجموعة التدريب الفرعية.
2. اضبط نطاق الدوران على 20°.
3. اضبط نطاق عرض وتغيير الزاوية إلى 0.2.
4. اضبط نطاق الارتفاع والتحول إلى 0.2.
5. اضبط نطاق القص على 0.2.
6. اضبط نطاق التكبير على 0.2.
7. تفعيل التقليب الأفقي.
8. استخدم ملء أقرب جار للبكسلات التي تدخل أثناء التعزيز.
9. قم بإجراء التعزيز عبر الإنترنت أثناء التدريب بدلا من تكرار ملفات الصور بشكل دائم.
   ملاحظة: لا تقم بتعزيز صور التحقق؛ أعد تسميتها فقط.

4. ترميز التسميات وتقسيم مجموعة البيانات

1. ترميز الفئتين كتسميات ثنائية.
2. قم بتحميل الصور باستخدام مولدات قائمة على الدليل في وضع الفئة الثنائية.
3. اضبط حجم الدفعة إلى 32.
4. قسم مجموعة البيانات إلى مجموعات تدريب ومجموعات تحقق فرعية.
   ملاحظة: تقدم المخطوطة تقريرا فقط عن مقارنة التدريب والتحقق من الصحة الداخلية ولا تتضمن مجموعة اختبار خارجية مستقلة.

5. بناء نماذج CNN الأساسية

1. إنشاء خط أساس CNN متسلسل مع ثلاث كتل التفافية.
2. استخدم 32 فلتر في الكتلة الالتفافية الأولى واتبع الكتلة بأقصى تجميع.
3. استخدم 64 مرشحا في الكتلة الالتفافية الثانية واتبع الكتلة مع أقصى تجمع ممكن.
4. استخدم 128 مرشحا في الكتلة الالتفافية الثالثة واتبع الكتلة مع أقصى تجميع.
5. قم بتسطيح خرائط الميزات المستخرجة.
6. أضف طبقة كثيفة تحتوي على 512 وحدة.
7. قدم طلب ترك التعليم بمعدل 0.5.
8. استخدم طبقة إخراج سيغمويد للتصنيف الثنائي.
9. تشمل InceptionV3 وResNetV2 وResNet50 وDenseNet121 كمعماريات أساسية مقارنة.
   ملاحظة: استخدم نفس مجموعة البيانات الثنائية المنسقة وخط أنابيب المعالجة المسبقة لجميع المقارنات الأساسية حيثما كان ذلك مناسبا.

6. تعريف نموذج التحويل المختلط CNN

1. استخدم وحدة CNN كمشفر ميزات محلي.
2. استخلاص نسيج الآفات، الحواف، والأنماط الشكلية المحلية باستخدام مكون CNN.
3. استخدم وحدة تعتمد على المحول كمشفر سياق.
4. نمذجة الاعتماديات المكانية الأوسع في التمثيل المتعلمة باستخدام مكون المحول.
5. قم بإسقاط متجهات ميزات CNN والمحول إلى نفس الأبعاد ودمجهما عبر جمع عنصري.
6. قم بتعيين التمثيل المدمج إلى مخرج ثنائي بين mpox مقابل الآخر من خلال رأس تصنيف.
   ملاحظة: أبلغ عن البنية الهجينة على مستوى الوحدة إذا لم يكن عدد رؤوس الانتباه، وأبعاد التضمين، وطبقات المحولات متاحا صراحة.

7. عملية التدريب وممارسة التقييم

1. تجميع المصنف الثنائي باستخدام النموذج المطبق باستخدام محسن آدم، وفقدان الإنتروبيا المتقاطعة الثنائية، والدقة كمقياس تدريب أساسي.
2. درب نموذج الأساس المحدد بوضوح لمدة 15 حقبة على مجموعة بيانات mpox-v-other المنسقة.
3. إجراء جميع التجارب في بيئة تعلم عميق تعتمد على بايثون على نظام مزود بوحدة معالجة الرسوميات، وتلخيص موارد البرمجيات والبيئة الحاسوبية المعممة في جدول المواد.
4. راقب منحنيات فقدان التدريب والتحقق أثناء التدريب، وحساب الدقة، والدقة، والاستدعاء، ودرجة F1، وAUC لكل نموذج على حدة عند توفرها.
5. تفسير أداء النموذج من خلال التأكيد على اتساق سلوك التقارير والتعميم، وإعطاء الأولوية لتحقيق توازن بين الحساسية والخصوصية على حساب قيم الدقة ذات الذروة الواحدة.
6. صيغ سؤالين تقييميين لكل نموذج: (1) مدى توافق النموذج مع بيانات التدريب و(2) مدى انتقال التمثيل المكتسب إلى صور تحقق مثبتة من نفس المصدر المنتقا.
   ملاحظة: قدم هذين الجانبين بشكل صريح في المخطوطة لتمييز القدرة التمثيلية عن التعميم المفيد.
7. تفسير دقة التدريب العالية كدليل على القدرة التمثيلية الكافية، وتفسير أداء التحقق العالي والمستقر كمؤشر أكثر أهمية على التعميم المفيد.

8. التحليلات التجريبية

1. أبلغ فقط عن النتائج التي تدعمها النتائج المسجلة مباشرة، وتجنب الاستنتاج خارج الأدلة الموثقة.
2. حدد القيود صراحة حيثما كانت معلومات التحقق مفقودة أو حيث يعكس الجدول بنية فئة مختلفة.
3. عامل مهمة التصنيف الثنائية بين mpox والآخر كتحليل أساسي واستخدمها كمرجع داخلي لجميع التجارب.
4. ترجم كود التنفيذ الأصلي إلى بروتوكول سردي وفي الجدول 2 بحيث يتم تلخيص مجموعة البيانات، وبيئة البرمجيات، وعائلات النماذج، وتكوين التدريب بشكل موجز لإعادة إنتاجها.
5. تعمم أوصاف الأجهزة والبرمجيات بحيث يبقى التركيز على قابلية إعادة الإنتاج المنهجية بدلا من منصة مخصصة للبائع الواحد.
6. النتائج الحالية حسب النموذج تأتي بنفس تسلسل تقديم البنى، لتبسيط مقارنة سلوك التدريب، وسلوك التحقق، واكتمال التقرير.
7. وصف خط الأساس التسلسلي CNN بأنه يحقق أداء تحقق داخلي مرتفع جدا مع التحذير من أن هذا قد يعكس خصائص الانقسام المواتية وقد لا يعمم خارجيا.
8. تفسير النموذج التسلسلي كمرجع داخلي قوي بدلا من كونه إثبات نهائي لمتانة التشخيص القابلة للنشر.
9. تبرير الاحتفاظ بلوحات InceptionV3 منفصلة لأن مسارات الفقدان والدقة معا تظهران تحسينا فعالا في التدريب لكن سلوك التحقق غير المتسق.
10. وصف ResNetV2 كخط أساس معلوماتي لكنه تم الإبلاغ عنه جزئيا لأن مقاييس التحقق المماثلة لم تكن متاحة.
11. عامل تجربة ResNet50 متعددة الفئات كدليل تكميلي مميز عن المعيار الثنائي الأساسي.
12. تفسير DenseNet121 كمعيار متوسط مع أداء تنافسي لكنه غير مهيمنا على المجموعة الثنائية المبلغ عنها.
13. وصف محول CNN الهجين بأنه يحقق تمييزا متوازنا بين الطبقات بدلا من تحقيق مكسب أحادي الجانب في مقياس واحد.
14. تجنب الادعاء بتفوق النموذج الهجين على جميع الخطوط الأساسية لأن بعض النماذج تم تقييمها تحت ظروف تقارير مختلفة.
15. ضع النموذج الهجين كمقايضة واعدة بين الأداء العالي للتحقق والتوازن القياسي، وتوصي بتقييم إضافي للمعايير المعيارية التي تم اختبارها خارجيا.

النتائج

مقارنة تتجاوز دقة العناوين

تظهر هذه النتائج أن مقارنات النماذج في تحليل الصور الطبية يجب أن تركز ليس فقط على دقة العناوين، بل أيضا على سلوك البنى فيما يتعلق بعدد من المقاييس وبيئات تجريبية مختلفة. خلال التجارب، لم تكن النماذج تتصرف بشكل متشابه: كان النموذج التسلسلي البسيط عالي الأداء للغاية في تقسيم التحقق الداخلي، وInceptionV3 كان زائدا في التجهيز، ولم يكن ResNetV2 يبلغ عن التحقق بشكل كاف، وكان DenseNet121 مهيمنا نسبيا من حيث الأداء، وقدم نمو...

المناقشة

النتيجة الرئيسية للدراسة هي أن التصنيف الثنائي بين الآفات العضلية المتشابهة بصريا، والذي يسمى التصنيف الآلي، ممكن باستخدام مجموعة البيانات المنسقة التي استخدمت في هذه الدراسة، لكن هذا النجاح يعتمد إلى حد كبير على تفسير الأدلة²⁷. وبفصل التجارب بشكل مناسب، تقدم المخطوطة دليلا على أن البنى الهجينة التقليدية والمقترحة يمكن استخدامها لتحقيق أداء قوي²⁸. لذا من غير المناسب اعتبار النموذج الهجين حلا عالميا لجميع الحالات، لأنه حل متوازن وواعد.

<...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
مجموعة البيانات	مجموعة بيانات صور mpox منسقة؛ 2,280 صورة للمعيار الثنائي الرئيسي (1,020 mpox و1,260 صورة أخرى)	التدريب الأساسي ومصدر التحقق الداخلي
تعريف المهمة	التصنيف الثنائي للدراسة الأساسية؛ الملخصات التكميلية متعددة الفئات والمعززة محفوظة بشكل منفصل	يضمن تفسيرا متسقا للمقاييس المبلغ عنها
بيئة البرمجة	سير عمل الدفاتر المبني على بايثون	التعامل مع البيانات، تدريب النماذج، والرسم
إطار التعلم العميق	تم الإبلاغ عن تنفيذ TensorFlow / Keras في الكود المقدم	تطوير النموذج وتحسينه
أدوات الصورة	ImageDataGenerator مع إعادة التكبير والتعزيز؛ مكتبات رسم الرسم لمنحنيات التدريب	المعالجة المسبقة، التعزيز، والتقارير البصرية
البنى الأساسية	Sequential CNN، InceptionV3، ResNetV2، ResNet50، DenseNet121	المقارنة المقارنة
العمارة المقترحة	مصنف هجين مع محول CNN	المساهمة المنهجية الأساسية
إعدادات التدريب	حجم الإدخال 150 × 150؛ حجم الدفعة 32؛ آدم: المحسن؛ الإنتروبيا المتقاطعة الثنائية؛ تم الإبلاغ عن 15 حقبة للكود الأساسي المرفق	قابلية تكرار سير العمل الأساسي
بيئة الحوسبة	نظام حاسوبي مدعوم بمعالج الرسوميات؛ تفاصيل الأجهزة معممة في السرد	تسريع النموذج أثناء التدريب