Innovative hybride CNN-Transformer-Deep-Learning-Modelle zur automatisierten Diagnose von Affenpocken anhand medizinischer Bilder

Zusammenfassung

Die Verwendung einer kuratierten Sammlung von 2.280 Hautläsionsbildern führte zu einem standardisierten binären Deep-Learning-Workflow, um das Vorhandensein von Mpox in jedem Bild zu klassifizieren. Ein maßgeschneidertes und InceptionV3, ResNetV2, ResNet50, DenseNet121 und ein hybrides CNN-Transformator-Modell wurden im Kontext einer gemeinsamen Vorverarbeitungs- und Trainingspipeline verglichen.

Zusammenfassung

Das visuelle Erscheinungsbild von Affenpocken-Hautläsionen ist aufgrund ihrer Ähnlichkeit mit anderen vesikulären und pustulären Hauterkrankungen weiterhin schlecht belegt. Diese Arbeit testete die Hypothese, dass ein hybrides Deep-Learning-Modell, integriert mit konvolutionalen und transformatorbasierten Feature-Encodern, mpox-Bilder automatisch innerhalb einer einheitlichen experimentellen Pipeline klassifizieren kann. Um Konsistenz zwischen Modellen und Berichten sicherzustellen, wurde die Hauptanalyse als binäre Aufgabe durchgeführt: mpox vs. andere Bedingungen mit derselben oder ähnlicher Darstellung. Diese Benchmarkdaten bestanden aus 2.280 Bildern: 1.020 mpox und 1.260 nicht-mpox Läsionen. Die Bilder wurden auf eine Standard-Eingabegröße von 150 × 150 Pixel heruntergebacken, und die Werte lagen im Bereich [0, 1]. Während der Ausbildung wurden die Bilder durch Rotation, Translation, Scherung, Zoom und horizontales Umdrehen ergänzt. Ein benutzerdefiniertes sequentielles CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121 und eine vorgeschlagene hybride CNN-Transformator-Architektur wurden verglichen. Jedes Basismodell wurde über 15 Epochen mit dem Adam-Optimierer und binären Kreuzentropieverlust trainiert. Trainings- und Validierungsgenauigkeit, Verlust, Präzision, Rückruf, F1-Wert und Fläche unter der Empfänger-Funktionscharakteristik wurden gemessen, um die Leistung, soweit möglich, zu bewerten. Die bestberichtete interne Validierungsgenauigkeit wurde mit dem sequentiellen CNN beobachtet, und das Hybridmodell erreichte eine Genauigkeit von 98,50, einen Rückruf von 98,50 und einen F1-Wert von 98,58, was ein ausgewogenes diskriminierendes Profil ergab. InceptionV3 zeigt Anzeichen von Überanpassung, und ResNetV2 lieferte nicht genügend Validierungsdaten, um einen robusten Generalisierungstest zu unterstützen. Insgesamt kann das Hybridmodell als tragfähige und ausgewogene Strategie betrachtet werden und nicht unbedingt besser als alle Basislinien.

Einleitung

Die automatisierte und schnelle Erkennung von Mpox in medizinischen Fällen ist klinisch bedeutsam, da die Erkrankung bei der ersten visuellen Untersuchung verschiedenen anderen vesikulären oder pustelartigen Ausbrüchen ähneln kann. Kliniker achten in der Praxis nicht alleine auf die Morphologie der Läsionen, sondern kombinieren Muster, Verbreitung, Anamnese, Expositionsrisiko, epidemiologischen Kontext und Laborbestätigung¹. Dennoch nutzen Computergeräte Bilder und können auch ein hilfreiches Triageverfahren in Umgebungen durchführen, in denen eine fachkundige dermatologische Überprüfung eingeschränkt oder verz....

Protokoll

HINWEIS: Verwenden Sie für das Hauptexperiment den kuratierten binären mpox-Bilddatensatz, der im Manuskript beschrieben wird. Der Datensatz enthält 2.280 Bilder von Hautläsionen, darunter 1.020 mpox-Bilder und 1.260 Bilder, die als Andere gekennzeichnet sind. Verwenden Sie nur eine sekundäre Bildanalyse; Führen Sie im Rahmen dieses Workflows keine direkte Patientenrekrutierung, klinische Interventionen, Tierversuche oder Erzeugung neuer biologischer Proben durch.

1. Beschaffung und Kuratierung des Datensatzes

1. Definiere ein binäres Bezeichnungsschema mit zwei Klassen: mpox und A....

Ergebnisse

Vergleich über die Schlagzeilengenauigkeit hinaus

Diese Ergebnisse zeigen, dass Vergleiche von Modellen in der medizinischen Bildanalyse sich nicht nur auf die Schlagzeilengenauigkeit konzentrieren sollten, sondern auch auf das Verhalten der Architekturen in Bezug auf eine Reihe von Kennzahlen und verschiedenen experimentellen Settings. Während der gesamten Experimente verhielten sich die Modelle nicht ähnlich: Das einfache sequentielle CNN wa.......

Diskussion

Das Hauptergebnis der Studie ist, dass eine binäre Klassifikation von mpox versus visuell ähnlichen Läsionen, die sogenannte automatisierte Klassifikation, mit dem in dieser Studie verwendeten kuratierten Datensatz möglich ist, ein solcher Erfolg jedoch weitgehend auf der Interpretation von Evidenz²⁷ beruht. Durch eine angemessene Trennung der Experimente präsentiert das Manuskript Hinweise darauf, dass sowohl konventionelle als auch vorgeschlagene hybride Archite.......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Datensatz	Kuratierter mpox-Bilddatensatz; 2.280 Bilder für den Haupt-Binär-Benchmark (1.020 mpox und 1.260 andere)	Primäre Schulung und interne Validierungsquelle
Aufgabendefinition	Binärklassifikation für die Kernstudie; ergänzende Multiclass- und erweiterte Zusammenfassungen wurden separat beibehalten	Stellt eine konsistente Interpretation der gemeldeten Kennzahlen sicher.
Programmierumgebung	Python-basierter Notebook-Workflow	Datenverarbeitung, Modelltraining und Plotting
Deep-Learning-Framework	TensorFlow / Keras-Implementierung, die im eingereichten Code gemeldet wird	Modellentwicklung und Optimierung
Bildprogramme	ImageDataGenerator mit Reskalierung und Augmentation; Darstellung von Bibliotheken für Trainingskurven	Vorverarbeitung, Augmentation und visuelle Berichterstattung
Baseline-Architekturen	Sequential CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121	Vergleichendes Benchmarking
Vorgeschlagene Architektur	Hybrider CNN-Transformator-Klassifikator	Primärer methodischer Beitrag
Trainingsumgebungen	Eingangsgröße 150 x 150; Chargengröße 32; Adam Optimierer; binäre Kreuzentropie; 15 Epochen wurden für gelieferten Baseline-Code gemeldet	Reproduzierbarkeit des Kernworkflows
Rechenumgebung	GPU-fähiges Rechensystem; Hardwaredetails, die in der Erzählung verallgemeinert werden	Modellbeschleunigung während des Trainings