基于混合卷积神经网络-Transformer深度学习模型的猴痘医学图像自动诊断方法

摘要

利用包含2,280张皮肤病变图像的精选数据集，建立了一种标准化的二分类深度学习工作流程，用于判断每张图像中是否存在猴痘病毒感染。在相同的预处理和训练流程背景下，比较了自定义模型、InceptionV3、ResNetV2、ResNet50、DenseNet121以及一种混合CNN-Transformer模型的性能。

摘要

由于猴痘皮肤病变的外观与其他水疱性和脓疱性皮肤病相似，其视觉特征尚未明确建立。本文验证了以下假设：一种结合卷积和基于变换器特征编码器的混合深度学习模型，能够在统一的实验流程中自动分类猴痘图像。为确保模型与报告之间的一致性，主要分析被设定为二分类任务：猴痘 versus 其他具有相同或相似表现的疾病。这些基准数据包含2,280张图像：1,020张猴痘图像和1,260张非猴痘病变图像。图像被下采样至标准输入尺寸150 × 150像素，像素值范围为[0, 1]。在训练过程中，图像通过旋转、平移、剪切、缩放和水平翻转进行数据增强。研究比较了自定义的序列卷积神经网络（Sequential CNN）、InceptionV3、ResNetV2、ResNet50、DenseNet121以及所提出的混合CNN-变换器架构。所有基线模型均使用Adam优化器和二元交叉熵损失函数训练15个周期。尽可能测量了训练与验证准确率、损失值、精确率、召回率、F1分数以及受试者工作特征曲线下面积以评估模型性能。内部验证准确率最高的模型为Sequential CNN，而混合模型达到了98.50的精确率、98.50的召回率和98.58的F1分数，表现出均衡的判别能力。InceptionV3显示出过拟合迹象，ResNetV2未能提供足够的验证数据以支持稳健的泛化测试。总体而言，该混合模型可被视为一种可行且均衡的策略，但并不一定优于所有基线模型。

引言

在临床实践中，猴痘的自动快速检测具有重要意义，因为该疾病在初始视觉评估时可能与其他多种水疱性或脓疱性皮疹相似。临床医生通常不会仅关注皮损的形态，而是会结合皮疹模式、分布特征、病史、暴露风险、流行病学背景以及实验室确诊结果进行综合判断¹。然而，在皮肤科专业评估受限或延迟的环境中，计算工具可通过图像分析执行有效的初步分诊。这种方法在疫情追踪、远程皮肤病筛查以及资源有限但疑似病例数量较多、需优先安排确诊检测的场景中尤为适用。

基于深度学习的方法也逐渐成为该任务的热门选择，因为它们能够在无需手动创建描述符的情况下，识别出具有区分性的病变图像²。目前文献中最主流的方法仍是卷积神经网络，因其在局部纹理、颜色范围和病变边缘识别方面表现出色³。近年来的研究借助迁移学习、注意力机制和Transformer模块进一步发展了这一范式，旨在建模图像中更大范围的空间依赖性。然而，关于猴痘（mpox）的文献所报告的高性能结果应谨慎对待。大量研究使用了稀疏的公开数据集，采用不同且异构的类别集合，或在多种预处理和验证方案下进行结果比较⁴。因此，人们常常面临一个难题：性能的提升究竟是源于真正更优越的模型、理想的数据划分、充分的数据增强，还是由于底层任务定义的差异所致。

方案

注意：主实验请使用论文中描述的经过整理的猴痘二分类图像数据集。该数据集包含 2,280 张皮肤病变图像，其中包括 1,020 张猴痘图像和 1,260 张标注为“其他”的图像。仅进行二次图像分析；不得在本工作流程中开展直接的患者招募、临床干预、动物实验或新生物样本的制备。

1. 获取并整理数据集

1. 定义一个包含两个类别的二元标注方案：猴痘和其他。
2. 将视觉上相似的非猴痘病灶归入“其他”类别。
3. 对所有图像进行可读性、类别识别性和适用于监督式图像分类的筛选。
4. 在数据整理过程中排除不可用或模糊的图像。
5. 将整理后的图像按类别组织到基于目录的文件夹中，以便后续通过图像生成器加载。

2. 调整图像大小并进行归一化

1. 在模型训练前，将所有图像调整为 150 × 150 像素。
2. 调整大小时采用双三次插值，以保持图像过渡平滑。
3. 通过将每个像素值除以 255 来重新缩放像素强度。
4. 将所有图像强度归一化至 [0,1] 范围。
   注意： 为确保不同架构之间的公平比较，所有模型应使用相同的空间分辨率和归一化方法。

结果

超越标题准确性的比较

这些结果表明，在医学图像分析中对模型进行比较时，不应仅关注总体准确率，还应考察不同架构在多种指标和实验条件下的表现。在整个实验过程中，各模型的表现并不一致：简单的序列卷积神经网络（Sequential CNN）在内部验证集上表现极为出色，InceptionV3 出现了过拟合，ResNetV2 的验证结果报告不足，DenseNet121 性能相对较好但并未占据主导地位，而所提出的混合 CNN-Transformer 模型在多项指标上表现出稳健且均衡的性能。这种差异凸显了在报告训练、验证和评估条件时保持内部一致性的重要性，而非仅仅依赖单一的最高准确率数值。整体的训练与验证损失及准确率变化趋势如图 2A和图 2B所示。

序列CNN基线：虚拟内部性能

序列卷积神经网络（Se.......

讨论

本研究的关键结果是，使用本研究所采用的经过整理的数据集，对猴痘与外观相似的病变进行二分类（即自动化分类）是可行的，但此类成功在很大程度上依赖于对证据的解读²⁷。通过合理区分实验设计，论文提供了证据表明，无论是传统架构还是所提出的混合架构，均可实现优异的性能²⁸。因此，将混合模型视为适用于所有情况的通用解决方案是不恰当的，它应被视为一种平衡且具有前景的解决方案。

还存在若干关键的局限性。首先，主要发现基于对一个 curated 数据集集合的内部验证，其在不同医疗机构、设备、患者人群以及图像采集条件下的稳健性尚未得到证实²⁹。其次，二分类模型简化了皮肤科鉴别诊断的临床图景，而实际中其他中间类型的病变以及不典型的表现形式也具有重要意义。第三，所提供的实现中缺少混合模型在某些架构设计和训练细节方面的内容³⁰。最后但同样重要的是，原始稿件中二分类、多分类与增强摘要的混合使用，可能导致在实验设置未明确区分.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
数据集	经过整理的猴痘图像数据集；主二分类基准包含2,280张图像（1,020张猴痘图像和1,260张其他图像）	主要训练和内部验证来源
任务定义	核心研究采用二分类；补充的多分类和增强结果摘要单独保留	确保报告指标的一致性解释
编程环境	基于Python的笔记本工作流程	数据处理、模型训练和绘图
深度学习框架	提交代码中报告的TensorFlow / Keras实现	模型开发与优化
图像处理工具	使用ImageDataGenerator进行重缩放和数据增强；用于训练曲线可视化的绘图库	预处理、数据增强和可视化报告
基线架构	序列卷积神经网络（Sequential CNN）、InceptionV3、ResNetV2、ResNet50、DenseNet121	用于对比基准测试
提出架构	混合卷积神经网络-Transformer分类器	主要方法学贡献
训练设置	输入尺寸150 × 150；批量大小32；Adam优化器；二元交叉熵损失函数；所提供基线代码报告训练15个周期	核心工作流程的可重复性
计算环境	支持GPU的计算系统；文中对硬件细节进行了概括描述	训练过程中的模型加速