מודלים חדשניים ללמידה עמוקה היברידיים של CNN-טרנספורמר לאבחון אוטומטי של אבעבועות הקוף מתמונות רפואיות

סיכום

השימוש באוסף מאוזן של 2,280 תמונות נגעי עור יצר תהליך למידה עמוק בינארי סטנדרטי לסיווג נוכחות mpox בכל תמונה. מודל מותאם אישית ו-InceptionV3, ResNetV2, ResNet50, DenseNet121 ומודל היברידי של שנאי CNN הושוו בהקשר של צינור קדם-עיבוד והדרכה משותף.

תקציר

המראה הוויזואלי של נגעי עור אבעבועות הקופים נותר לא מבוסס היטב בשל דמיונם למחלות עור וסטוקולריות אחרות. מאמר זה בחן את ההשערה שמודל למידה עמוקה היברידי, המשולב עם מקודדי תכונות מבוססי קונבולוציוניה וטרנספורמר, יכול לסווג אוטומטית תמונות mpox בתוך צינור ניסוי מאוחד. כדי להבטיח עקביות בין מודלים ודוחות, הניתוח הראשי בוצע כמשימה בינארית: mpox לעומת מצבים אחרים עם אותה הצגה או דומה. נתוני הבנצ'מרק הללו כללו 2,280 תמונות: 1,020 mpox ו-1,260 תמונות נגע שאינן mpox. התמונות נדמו לגודל קלט סטנדרטי של 150 × 150 פיקסלים, והערכים היו בטווח [0, 1]. במהלך האימונים, התמונות שודרגו באמצעות סיבוב, תרגום, גזירה, זום והפיכה אופקית. הושוו CNN רציף מותאם אישית, InceptionV3, ResNetV2, ResNet50, DenseNet121, וארכיטקטורת היברידית מוצעת ל-CNN-שנאי. כל מודל בסיס אומן ל-15 תקופות באמצעות אופטימייזר אדם ואובדן אנטרופיה בינארית. נמדדו דיוק אימון ואימות, אובדן, דיוק, קריאה, ציון F1 ושטח מתחת לעקומת התכונות התפעוליות של המקלט להערכת ביצועים, כאשר ניתן. הדיוק הפנימי המדווח הטוב ביותר נצפה עם ה-CNN הסדרתי, והמודל ההיברידי השיג דיוק של 98.50, זיכרון של 98.50, וציון F1 של 98.58, מה שהניב פרופיל הבחנה מאוזן. InceptionV3 מראה סימני התאמת יתר, ו-ResNetV2 לא סיפק נתוני אימות מספקים לתמיכה בבדיקת הכללה חזקה. באופן כללי, המודל ההיברידי נחשב לאסטרטגיה ברת קיימא ומאוזנת ולא בהכרח טוב יותר מכל קווי הבסיס.

מבוא

זיהוי אוטומטי ומהיר של mpox במקרים רפואיים הוא משמעותי קלינית, שכן המחלה יכולה להיות דומה למגוון התפרצויות וזיקולריות או פוסטולריות אחרות בהערכה הוויזואלית הראשונית. קלינאים בפרקטיקה אינם שמים לב רב למורפולוגיית הנגעים בלבד, אך הם משלבים דפוס, התפלגה, היסטוריה, סיכון חשיפה, הקשר אפידמיולוגי ואישור מעבדה¹. עם זאת, כלים חישוביים משתמשים בתמונות ויכולים לבצע הליך מיון מועיל בסביבות שבהן סקירה דרמטולוגית מיומנת מוגבלת או מתעכבת. הוא רלוונטי במיוחד למעקב אחר התפרצויות, סקר טלדרטולוגי, וסביבות מוגבלות במשאבים ויש להן מספר משמעותי של מקרים אפשריים שיש לתת עדיפות לעבור בדיקות מאשרות.

הגישות המבוססות על למידה עמוקה התגלו גם הן כמושכות למשימה זו, שכן הן יכולות לגלות תמונות מובחנות של נגעים ללא שימוש בתיאורים שיש^{ליצור ידנית}. הסקירה הפופולרית ביותר בספרות עדיין שייכת לרשתות עצביות קונבולוציוניות בשל יעילותן במרקם מקומי, טווח צבעים וזיהוי שולי נגעים³. עבודות עדכניות פיתחו עוד יותר את הפרדיגמה הזו בעזרת למידת העברה, מנגנוני קשב ומודולים של טרנספורמר, שמנסים למודל תלות מרחבית גדולה יותר של התמונה. עם זאת, הספרות על mpox מדווחת על ביצועים גבוהים שיש להתייחס אליהם בזהירות. מגוון רחב של מחקרים השתמשו במאגרי נתונים ציבוריים דלילים, כללו קבוצות שונות של מחלקות הטרוגניות, או משווים תוצאות עם מגוון משטרי קדם-עיבוד ואימות^4. בגלל זה, לעיתים קרובות קיימת דילמה האם עלייה בביצועים היא תוצאה של מודל באמת עליון, פיצול רצוי, שדרוג נמרץ או פערים בניסוח המשימה הבסיסית.

Mpox נותרה אחת מהמחלות הזיהומיות המשמעותיות עם השלכות שליליות על בריאות הציבור, שכן הנגעים שלה הקשורים לזיהומי עור עלולים להתבלבל עם נגעים וזיקולריים ופוסטולריים אחרים בממשק במהלך סקר העיניים במהלך הבדיקה הראשונית⁵. מעשית, קלינאים אינם מבצעים את האבחנה שלהם של mpox על פי מורפולוגיה: דפוס, התפלגות, היסטוריה, אפידמיולוגיה ואישור מעבדה הם מרכיבים בהחלטת האבחנה⁶. עם זאת, הם יכולים למלא תפקיד מועיל בתהליך המיון, בעזרת כלים חישוביים התלויים בתמונות, במיוחד כאשר הניסיון של רופאי העור אינו מספק, איטי או אינו זמין. הן עשויות להיות רלוונטיות בטלדרמטולוגיה, במקרים שבהם יש לטפל בהתפרצות באמצעות סקר, ובמקומות עם מגבלות משאבים שבהם יש לטפל במהירות במקרים חשודים ברשימת העדיפויות⁷.

שיטות מבוססות למידה עמוקה, משום שהן מאפשרות לימוד ייצוגים מובחנים של נגעים, יהיו אטרקטיביות למשימה זו כי הן לומדות ייצוגים כאלה ללא תיאורים ידניים, בהתאם למאפייני התמונות הקלט⁸. בתחום הדימויים הדרמטולוגיים היה מתמיד להשתמש ברשתות עצביות קונבולוציונליות (CNNs) לניתוח תמונות, שכן הן מסוגלות לקודד מרקם מקומי, פריפריית הנגעים ומשמעות מורפולוגית מרהיבה. מחקרים מאוחרים יותר סיפקו פרדיגמה זו באמצעות למידת העברה, תשומת לב ותתי-מודולים מבוססי טרנספורמרים, כדי ללמוד יחסים מרחביים כלליים יותר^ומגמות הקשר. עם זאת, הספרות על הדמיית mpox עדיין הטרוגנית. לא נדיר שהביצועים מדווחים כמבוססים לא רק על בחירת הארכיטקטורה, אלא גם על מבנה מערך נתונים, תוכנית שדרוג, הגדרת מחלקות ומבנה אימות¹⁰. אם כן, ביצועים טובים בכותרות לא בהכרח מעידים על הכללה מוגברת.

בעבודה הנוכחית, בעיה זו נפתרת באמצעות מדד סיווג תמונה mpox בינארי¹¹ שניתן להבחין ובאופן פנימי יותר. הוא אינו דן בתרומה בפורמט של הצעת ארכיטקטורה היברידית חדשה לחלוטין, שכן שיטות של CNN-transformer כבר שוזרו בספרות¹². במקום זאת, הניסוי מציג השוואה סטנדרטית עם פירוק בינארי ראשוני מפורש, שבו הראיות הנוספות הרב-מחלקות, העיבוד המוקדם/ההכשרה וביצועי המודל נלקחים בחשבון באופן ידידותי לפרוטוקול, וביצועי המודל נלקחים בחשבון באופן שמרני בהשוואה לסביבת ניסוי¹³. בפרדיגמה זו, מודל CNN-transformer עדיין יכול להיות בעל חשיבות פונקציונלית, שכן CNNים בנויים בצורה מיטבית ללכוד מידע מקומי על נגעים, בעוד שייצוגים מבוססי טרנספורמרים עשויים לייצג גם מבנה מרחבי ארוך טווח שמעניין בדרמטולוגיה.

מחקר סיווג תמונות עדכני של mpox ניתן לחלק לשלושה זרמי מחקר רחבים המבוססים על מתודולוגיה. האחרון מבוסס על CNNים קונבנציונליים ולמידת העברה בשל הבגרות, מהירות החישוב והשחזור של טקסטורות ספציפיות^{לנגעים.} האחרון בוחן מודלים מבוססי קשב או טרנספורמר, המתאימים יותר ללימוד ההקשר הגלובלי של הנגעים. השלישי משלב קונבולוציוני ותשומת לב בצינורות ההיברידיים כדי לשמר את הרגישות המקומית אך באמצעות מודלים קונטקסטואליים גדולים יותר של גוף. כמה מהמחקרים מדווחים על ביצועים גבוהים שלא ניתן להשוות בקלות ישירות, משום שהמחקרים שונים בגודל מאגר הנתונים, אסטרטגיית האצור, מבנה הכיתות, העיבוד המוקדם ופרוטוקול האימות¹⁵. הם ממוקדי סיווג בינאריים, ממוקדי אפליה דרמטולוגית רב-מחלקתית, ולא כולם בעלי מדדי הערכה זהים. מערכי נתוני תמונות Mpox שנחשפו לציבור עשויים לכלול גם תמונות כמעט כפולות או דומות מאוד, מה שידרוש הגדלת הביצועים הנראים למקרה ששליטה מפוצלת אינה מספקת¹⁶.

הניתוח הניתן מבוסס על סט בינארי מבוקר של 2,280 תמונות של נגעי עור, 1,020 תמונות של mpox ו-1,260 תמונות של Other תוכננו. קטגוריית ה-Other חופפת לנגעים שאינם mpox שנראים לעין בלתי, וזה מציב את המשימה לניסוח מיון מוקדם קליני מעניין, בהשוואה למערכת מיקום דרמטולוגית מלאה¹⁷. כל התמונות שונו בגודל, נורמל, סטנדרטיזציה, והועברו והועברו בצינור אימון פנימי טיפוסי. המטרה העיקרית הייתה השוואת ההתנהגות של מודלים קונבנציונליים והיברידיים של למידה עמוקה בנקודת ייחוס שקופה, והאם הארכיטקטורה ההיברידית המוצעת מציעה איזון טוב יותר בין הבחנה לניתנות לפרשנות, ביחס לקווי הבסיס הפופולריים.

הפער הברור שהגרסה המתוקנת הנוכחית מתמודדת איתו אינו רק הצגת המודל ההיברידי, שכן האסטרטגיות של טרנספורמטור CNN היברידי כבר כוסו בספרות. במקום זאת, הפער הוא שנדרש מדד מובחן ועקבי פנימית, המתעלם מהמשימה הבינארית הראשית ומפלטים מרובי מחלקות חקר, מאפיין את צינור העיבוד וההדרכה בצורה שניתן לשחזר, ומציג את ביצועי המודל באופן שאינו מגזים בחידוש או מוכנות קלינית¹⁸. בהקשר זה, ארכיטקטורה היברידית שווה לשקול, שכן CNNs מצטיינים בהפקת תכונות מקומיות, ותשומת לב דמוית טרנספורמרים יכולה, בתיאוריה, לדמות תצורות נגעים גלובליות וחיבורים מרחביים ארוכי טווח כדי לסייע באבחון חזותי¹⁹. השאלה המעשית אינה האם עיצוב היברידי יכלול איזון חיובי בין אפליה, יציבות ופרשנות לעומת קווי בסיס טיפוסיים באותו היבט נתונים נבחר, אלא האם הוא מספק איזון טוב בין מיסוי, יציבות ויכולת פרשנות.

העבודות האחרונות על ניתוח תמונות mpox ניתנות לחלוקה לשלושה זרמים כלליים של חקר השיטות. הראשון עושה שימוש ב-CNN מסורתיות ובארכיטקטורות למידת העברה בשל בשלותם, יעילות חישובית ויכולתם ללמוד מרקמים ייחודיים לנגעים ותכונות מורפולוגיות מקומיות²⁰. הזרם השני מציע מודלים של טרנספורמר ראייה או מודלים משודרגים על ידי קשב, כדי ללכוד את האסוציאציות המרחביות הרחבות יותר מעל שדה הפגע, במיוחד כאשר טלאי המרקם מורכבים מהתפלגות נגעים הקשרית, ולכן הם עשויים להיות חשובים לא פחות מכתמי מרקם בודדים. הזרם השלישי מוסיף את הקונבולוציוני ואת תשומת הלב לתמיכה בצינורות היברידיים בניסיון לשמור על הרגישות המקומית של CNNs תוך ניצול יכולת המידול הקונטקסטואלי של בלוקי הקשב.

למרות שרוב העבודות הללו טוענות לדיוק מצוין, השוואה בין מחקרים אינה משימה קלה בשל ההבדלים בגודל, אסטרטגיית האוצרות, הרכב המחלקות ועיצוב האימות בין מערכי נתונים²¹. ישנם פרסומים שמעריכים אפליה בינארית, ואלו שמעריכים סיווג דרמטולוגי רב-מחלקתי. חלקם מאוזנים גם בדיווח דיוק וזיכרון, וחלקם מתמקדים בדיוק²². כמו כן, מערכי mpox המדווחים יכולים להתבסס על אוספי תמונות מקוונים, אוספים מאוצרים או תת-קבוצות מורחבות, מה שיכול לשפר את הביצועים המדווחים כאשר דליפת אימות רכבת או תמונות כמעט כפולות אינן מנוהלות היטב. טבלה 1 אינה נשמרת רק כאוסף של עבודות קודמות, אלא כמפה סכמטית של משפחות המודלים, מגבלות מערכי הנתונים וההזדמנויות שמציעות השיטות הזמינות במחקר זה.

הערך המתודולוגי של העבודה הנתונה משתקף בצורה מוגבלת ומוגנת יותר. מאמר זה ידון בצורך במדד הבינארי השקוף בעזרת מאגר הנתונים הנבחר, ידווח על תהליך העיבוד המוקדם וההדרכה וישווה ישירות את המודל ההיברידי המוצע לבין קווי בסיס^{פופולריים 23}. שינויים אלו גם מפרידים בין הניסוי הבינארי הראשי לבין הראיות הרב-מחלקותיות של ההשלמה באופן שמאפשר לקשר בין טענות הביצועים^להקשר ניסויי מתאים. ההבדל יוצר הבדל מכריע בניתוח הדיסקורסיבי של ניהול המודלים, המדדים המדווחים והפרקטיות.

הניסוי המרכזי בתסריט זה הוא ניסוי סיווג בינארי על סט קטן יותר של 2280 תמונות של נגעי עור, שנערך ביד. במאגר נתונים זה, מספר התמונות שזוהו כ-mpox היה 1,020, ואלו שסווגו כאחרים היו 1,260. הקטגוריה השנייה כוללת הצגת הופעות דרמטולוגיות שאינן קשורות ל-mpox, בעלות אופי חזותי, בעיקר נגעים שבהם כתב היד מתייחס אליהם כנגעים דמויי אבעבועות רוח וחצבת^. נומנקלטורה כפולה זו הופכת את הקיבוץ הבינארי הזה למשמעותי קלינית כניסוח סקר פרימיטיבי, משום שהמודל שואל האם המודל מסוגל להפריד בין אלטרנטיבות חשודות ל-mpox ואלטרנטיבות מבלבלות ויזואלית, אך גם פחות מורכב מאשר מדד דרמטולוגי רב-קלאסי מלא.

האימון של הדגמים היה צריך להיות סטנדרטי, כאשר כל התמונות עובדו מראש לפני האימון. שינוי גודל, נרמול עוצמה, הרחבה והמרה של תוויות קטגוריות לבינאריות מוזכרים גם הם בכתב היד. עם זאת, במשמעות המעודכנת, שלבים אלו נחשבים לרכיבים של צינור שניתן לשחזור ולא כהערות שנכתבו בשוליים. המערך שלו חולק עוד יותר לתת-קבוצות אימון ואימות שכללו תיקיות, ומדדי הביצועים שהוזכרו צריכים להיחשב כהשפעות פנימיות על ביצועי האימות במקום כאינדיקטורים של קבוצת בדיקות חיצונית עצמאית לחלוטין. כדי להיות ברורים יותר, אוסף 2,280 תמונות זה ייחשב כנתונים הרשמיים שעליהם יתבצע הניתוח העיקרי. המסגור הבינארי נבחר כי הוא משקף את שאלת המיון המוקדם הנפוצה בפועל: האם התמונה של נגע חשוד נוטה יותר להיות mpox מאשר מצבים אחרים דומים מבחינה ויזואלית? מסגרת זו מוגבלת בהשוואה לאבחנה נרחבת בדרמטולוגיה, אך היא נקודת התחלה תקפה וניתנת לפרשנות טכנית להשוואה השוואתית.

התיאור המעודכן של מערך הנתונים מתחשב גם בכך שהמאמר כולל תפוקות נוספות שהושגו בעזרת מבני מחלקות שונים או תת-קבוצות מועשרות, כפי שמוצג באיורים 1A–I. במקום למחוק את החומרים הללו, כתב היד כעת מקשר אותם ישירות כדי לאפשר לקוראים לראות את התוצאות שהן חלק מהמדד הבינארי ואת אלו שהן חלק מניסויים משניים. שיטה זו תשמור על כל התיעוד של מחקר זה, אך לא תאפשר לשלב ניסויים לא תואמים לטענה אחת.

פרוטוקול

הערה: השתמשו במאגר הנתונים של תמונות mpox הבינארי המתואר בכתב היד עבור הניסוי הראשי. מאגר הנתונים מכיל 2,280 תמונות נגעי עור, כולל 1,020 תמונות mpox ו-1,260 תמונות המסומנות כאחר. השתמש בניתוח תמונות משני בלבד; אין לבצע גיוס מטופלים ישיר, התערבות קלינית, ניסויים בבעלי חיים או יצירת דגימות ביולוגיות חדשות כחלק מתהליך עבודה זה.

1. להשיג ואצור את מערך הנתונים

1. הגדר סכמת תיוג בינארית עם שתי מחלקות: mpox ו-Other.
2. הקצה נגעים דומים ויזואלית שאינם mpox למחלקה האחרת.
3. סנן את כל התמונות לקריאות, זהות מחלקה והתאמה לסיווג תמונות מפוקח.
4. החריגו תמונות לא שמישות או מעורפלות במהלך האוצרות.
5. ארגן את התמונות האוצרות בתיקיות מחלקות מבוססות תיקיות לטעינה במורד הזרם עם מחוללי תמונות.

2. שינוי גודל ונרמל התמונות

1. שנה את גודל כל התמונות ל-150 על 150 פיקסלים לפני אימון הדגם.
2. הפעילו אינטרפולציה ביקובית במהלך שינוי גודל כדי לשמור על מעברי תמונה חלקים.
3. שנה את עוצמות הפיקסלים על ידי חלוקת ערך כל פיקסל ב-255.
4. נרמל את כל עוצמות התמונה לטווח [0,1].
   הערה: השתמש באותו תהליך רזולוציה מרחבית ונרמול לכל המודלים כדי לשמור על השוואה הוגנת בין ארכיטקטורות.

3. שדרוג תמונות האימון

1. החיל הרחבה רק על תת-הקבוצה של ההדרכה.
2. הגדר את טווח הסיבוב ל-20°.
3. הגדר את טווח הרוחב-הזזה ל-0.2.
4. הגדר את טווח הזזת הגובה ל-0.2.
5. הגדר את טווח הגזירה ל-0.2.
6. הגדר את טווח הזום ל-0.2.
7. הפעל הפיכה אופקית.
8. השתמש במילוי שכן הקרוב ביותר עבור פיקסלים שהוכנסו במהלך השדרוג.
9. בצע שדרוג אונליין במהלך ההכשרה במקום על ידי שכפול קבוע של קבצי תמונות.
   הערה: אל תשפר את תמונות האימות; לשנות קנה מידה בלבד.

4. קידוד התוויות ופיצול מערך הנתונים

1. קודד את שתי המחלקות כתוויות בינאריות.
2. טען את התמונות באמצעות מחוללים מבוססי תיקיות במצב מחלקה בינארי.
3. הגדר את גודל האצווה ל-32.
4. חלק את מערך הנתונים לתת-קבוצות אימון ואימות.
   הערה: המאמר מדווח רק על בדיקות אימון פנימיות בלבד ואינו כולל קבוצת בדיקה חיצונית עצמאית.

5. בניית מודלים בסיסיים של CNN

1. בנה קו בסיס CNN רציף עם שלושה בלוקים קונבולוציונליים.
2. השתמש ב-32 פילטרים בבלוק הקונבולוציוני הראשון ועקוב אחרי הבלוק עם איגוד מקסימלי.
3. השתמש ב-64 פילטרים בבלוק הקונבולוציוני השני ועקוב אחרי הבלוק עם מקסימום איגוד.
4. השתמש ב-128 פילטרים בבלוק הקונבולוציוני השלישי ועקוב אחרי הבלוק עם מקסימום איגוד.
5. שטח את מפות התכונות שהופקו.
6. הוסיפו שכבה צפופה עם 512 יחידות.
7. הגש בקשה לנשירה עם שיעור של 0.5.
8. השתמש בשכבת פלט סיגמואידי לסיווג בינארי.
9. כלול את InceptionV3, ResNetV2, ResNet50 ו-DenseNet121 כארכיטקטורות בסיס השוואתיות.
   הערה: השתמשו באותו מערך נתונים בינארי וצינור עיבוד מוקדם לכל ההשוואות הבסיסיות כאשר רלוונטי.

6. הגדר את מודל ההיברידי של CNN-שנאי

1. השתמש במודול CNN כמקודד תכונות מקומי.
2. חלץ את מרקם הנגע, הקצוות והדפוסים המורפולוגיים המקומיים באמצעות רכיב ה-CNN.
3. השתמש במודול מבוסס טרנספורמר כמקודד הקשר.
4. מודל תלות מרחבית רחבה יותר בייצוג הנלמד עם רכיב הטרנספורמר.
5. הקרנת וקטורי התכונות של ה-CNN והטרנספורמטור לאותה ממדיות והתמזגו באמצעות חיבור לפי יסוד.
6. מפות את הייצוג הממוזג לפלט בינארי mpox-versus-Other דרך ראש סיווג.
   הערה: דווחו על הארכיטקטורה ההיברידית ברמת המודול אם מספר ראשי תשומת הלב, מידות ההטמעה ושכבות השנאים אינם זמינים במפורש.

7. תהליך הכשרה ופרקטיקת הערכה

1. הרכיבו את המסווג הבינארי באמצעות המודל המיושם עם האופטימיזר אדם, אובדן אנטרופיה בינארית, ודיוק כמדד האימון העיקרי.
2. למד את מודל הבסיס המוגדר בבירור עבור 15 תקופות על מערך הנתונים המפותח של mpox לעומת אחרים.
3. בצע את כל הניסויים בסביבת למידה עמוקה מבוססת פייתון על מערכת מצוידת ב-GPU, וסיכם את משאבי התוכנה והסביבה החישובית המוכללת בטבלת החומרים.
4. עוקב אחרי עקומות אובדן אימון ואימות במהלך האימון, וחשב דיוק, דיוק, שחזור, ציון F1 ו-AUC עבור כל דגם בנפרד כאשר זה זמין.
5. פרש את ביצועי המודל על ידי הדגשת עקביות בדיווח ובהתנהגות הכללה, והעדיף איזון בין רגישות לספציפיות על פני ערכי דיוק של שיא יחיד.
6. נסחו שתי שאלות הערכה לכל מודל: (i) עד כמה המודל מתאים לנתוני האימון ו-(ii) עד כמה הייצוג הנלמד מועבר לתמונות אימות שמוחזקות מאותו מקור אוצר.
   הערה: הצג את שני ההיבטים הללו במפורש בכתב היד כדי להבחין בין יכולת ייצוגית להכללה שימושית.
7. פרש דיוק אימון גבוה כהוכחה ליכולת ייצוגית מספקת, ופרש ביצועי אימות גבוהים ויציבים כמדד משמעותי יותר להכללה שימושית.

8. ניתוחים ניסיוניים

1. דווחו רק על תוצאות הנתמכות ישירות על ידי התוצרים המוקלטים, והימנעו מהסקה מעבר לראיות המתועדות.
2. ציין במפורש מגבלות כאשר חסר מידע אימות או כאשר הטבלה משקפת מבנה מחלקה שונה.
3. התייחס למשימת הסיווג הבינארית של mpox לעומת אחר כניתוח ראשי ולהשתמש בה כהפניה פנימית לכל הניסויים.
4. תרגם את קוד המימוש המקורי לפרוטוקול נרטיבי ולטבלה 2 כך שמערך הנתונים, סביבת התוכנה, משפחות המודלים ותצורת האימון מסוכמים בתמציתיות לצורך שחזוריות.
5. להכליל את התיאורים של חומרה ותוכנה כך שהמיקוד יישאר על שחזוריות מתודולוגית ולא על פלטפורמה ספציפית לספק.
6. התוצאות הנוכחיות לפי מודל הן באותו סדר שבו הוצגו הארכיטקטורות, כדי לפשט את השוואת התנהגות האימון, התנהגות האימות והשלמות של הדיווח.
7. תאר את קו הבסיס הסקוונציאלי של CNN כמספק ביצועי אימות פנימיים גבוהים מאוד, תוך אזהרה כי ייתכן שזה משקף מאפייני פיצול מועדפים ואינו עשוי להכליל מבחוץ.
8. פרש את המודל הסקוונאלי כהתייחסות פנימית חזקה ולא כהדגמה חד-משמעית של עמידות אבחנתית ניתנת לפריסה.
9. להצדיק שמירה על פאנלים נפרדים של InceptionV3 כי מסלולי אובדן ודיוק יחדיו מגלים אופטימיזציה יעילה של אימון אך התנהגות אימות לא עקבית.
10. תארו את ResNetV2 כקו בסיס אינפורמטיבי אך מדווח חלקית כי לא היו מדדי אימות דומים.
11. התייחסו לניסוי הרב-מחלקתי של ResNet50 כראיה משלימה נפרדת מהמדד הבינארי הראשי.
12. פרש את DenseNet121 כמדד ביניים עם ביצועים תחרותיים אך לא דומיננטיים בתת-הקבוצה הבינארית המדווחת.
13. תארו את ה-CNN ההיברידי כמשיג הבחנה מאוזנת בין מחלקות במקום רווח חד-צדדי במדד יחיד.
14. הימנעו מלטעון לעליונות אוניברסלית של המודל ההיברידי על כל קווי הבסיס, משום שחלק מהמודלים הוערכו בתנאי דיווח שונים.
15. למקם את המודל ההיברידי כפשרה מבטיחה בין ביצועי אימות גבוהים לאיזון מדדי, ולהמליץ על הערכה נוספת של מדדים סטנדרטיים שנבדקו חיצונית.

תוצאות

השוואה מעבר לדיוק הכותרות

תוצאות אלו מראות כי השוואות של מודלים בניתוח תמונות רפואיות צריכות להתמקד לא רק בדיוק הכותרות, אלא גם בהתנהגות הארכיטקטורות ביחס למספר מדדים וסביבות ניסוי שונות. במהלך הניסויים, המודלים לא התנהגו באופן דומה: ה-CNN הסקוונציאלי הפשוט היה בעל ביצועים גבוהים מאוד בחלוקת האימות הפנימית, InceptionV3 היה מותאם יתר על המידה, ResNetV2 לא דיווח מספיק על אימות מספק, DenseNet121 היה יחסית אך לא דומיננטי מבחינת ביצועים, ומודל ההיב...

דיון

התוצאה המרכזית של המחקר היא שסיווג בינארי של mpox לעומת נגעים דומים ויזואלית, הנקרא סיווג אוטומטי, אפשרי באמצעות מאגר הנתונים האוצר ששימש במחקר זה, אך הצלחה כזו תלויה בעיקר בפרשנות הראיות²⁷. בהפרדה נכונה של הניסויים כתב היד מציג ראיות לכך שניתן להשתמש בארכיטקטורות היברידיות קונבנציונליות ומוצעות לביצוע ביצועים חזקים²⁸. לכן לא ראוי לראות במודל ההיברידי פתרון אוניברסלי לכל מצב, שכן הוא פתרון מאוזן ומבטיח.

יש גם מספ...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
מערך נתונים	מאגר נתוני תמונות mpox מאוצר; 2,280 תמונות עבור מדד הבנצ'מרק הבינארי הראשי (1,020 mpox ו-1,260 אחר)	הכשרה ראשונית ומקור אימות פנימי
הגדרת משימה	סיווג בינארי למחקר המרכזי; סיכומים משלימים של רב-מחלקות ומורחבים נשמרים בנפרד	מבטיח פרשנות עקבית של מדדים מדווחים
סביבת התכנות	תהליך עבודה במחברת מבוסס פייתון	טיפול בנתונים, אימון מודלים ושרטוטים
מסגרת למידה עמוקה	מימוש TensorFlow / Keras שדווח בקוד שהוגש	פיתוח ואופטימיזציה של מודלים
כלי התמונה	ImageDataGenerator עם שינוי קנה מידה והגדלה; ספריות שרטוט לעקומות אימון	עיבוד מוקדם, שדרוג ודיווח חזותי
ארכיטקטורות בסיס	Sequential CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121	השוואה השוואתית
אדריכלות מוצעת	מסווג היברידי לשנאי CNN	תרומה מתודולוגית ראשונית
סביבות אימון	גודל קלט 150 על 150; גודל אצווה 32; אדם אופטימייזר; אנטרופיה חוצה בינארית; 15 תקופות שדווחו עבור קוד בסיס מסופק	שחזוריות של תהליך הליבה
סביבת חישוב	מערכת חישובית מבוססת GPU; פרטי חומרה שהוכללו בנרטיב	האצת מודלים במהלך האימון