의료 이미지에서 원숭이두창 자동 진단을 위한 혁신적인 하이브리드 CNN-트랜스포머 딥러닝 모델

요약

2,280장의 피부 병변 이미지를 엄선하여 각 이미지에서 mpox의 존재를 분류하는 표준화된 이진 딥러닝 워크플로우를 만들어냈습니다. 커스텀 및 InceptionV3, ResNetV2, ResNet50, DenseNet121, 그리고 하이브리드 CNN-트랜스포머 모델이 공통 전처리 및 학습 파이프라인 환경에서 비교되었습니다.

초록

원숭이 두두 피부 병변의 시각적 특징은 다른 소포성 및 농포성 피부 질환과 유사하기 때문에 아직 잘 밝혀지지 않았습니다. 이 논문은 합성곱 및 트랜스포머 기반 특징 인코더와 통합된 하이브리드 딥러닝 모델이 통합된 실험 파이프라인 내에서 mpox 이미지를 자동으로 분류할 수 있다는 가설을 검증했습니다. 모델과 보고서 간 일관성을 보장하기 위해 주요 분석은 이분법 과제로 수행되었습니다: mpox 대 동일하거나 유사한 증상을 가진 다른 질환들. 이 벤치마크 데이터는 2,280장의 이미지로 구성되었으며, 이 중 1,020장은 mpox 병변 이미지, 1,260장은 비MPOX 병변 이미지입니다. 이미지는 표준 입력 크기인 150 × 150픽셀로 다운샘플링되었고, 값은 [0, 1] 범위에 있었습니다. 훈련 중에는 회전, 평행 이동, 전단, 줌, 수평 뒤집기 등의 효과가 이미지에 보강되었습니다. 맞춤형 순차 CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121, 그리고 제안된 하이브리드 CNN-트랜스포머 아키텍처가 비교되었습니다. 모든 기초 모델은 Adam 최적화기와 이진 교차엔트로피 손실을 사용하여 15개의 에포크에 대해 훈련되었습니다. 훈련 및 검증 정확도, 손실, 정밀도, 회상율, F1 점수, 수신자 작업 특성 곡선 아래 면적을 측정하여 가능한 경우 성능을 평가하였습니다. 순차 CNN에서 가장 높은 내부 검증 정확도가 관찰되었으며, 하이브리드 모델은 98.50의 정밀도, 98.50의 기억력, 98.58의 F1 점수를 달성하여 균형 잡힌 판별 프로필을 제공했습니다. InceptionV3는 과적합 징후를 보이고 있으며, ResNetV2는 견고한 일반화 테스트를 지원할 만큼 충분한 검증 데이터를 제공하지 못했습니다. 전반적으로 하이브리드 모델은 실행 가능하고 균형 잡힌 전략으로 볼 수 있으며, 반드시 모든 기준선보다 더 낫다고 할 수는 없습니다.

서론

의학적 사례에서 mpox의 자동 및 신속 검출은 초기 시각 평가 시 다양한 다른 소포성 또는 농포성 분출과 유사할 수 있어 임상적으로 중요합니다. 임상 의사들은 병변의 형태만 크게 신경 쓰지 않고, 패턴, 분포, 병력, 노출 위험, 역학적 맥락, 실험실 확인 등을 결합합니다^. 그럼에도 불구하고, 계산 도구는 이미지를 활용하며, 숙련된 피부과 검토가 제한되거나 지연되는 환경에서 유용한 분류 절차를 수행할 수 있습니다. 특히 발병 추적, 원격피부과 선별, 그리고 자원이 제한적이고 확진 검사를 우선시해야 할 가능성이 높은 사례가 많은 환경에서 더욱 그렇습니다.

딥러닝 기반 접근법도 이 작업에 매력적으로 부상하고 있는데,^{이는 수동으로 생성}해야 하는 디스크립터를 사용하지 않고도 병변의 판별적 이미지를 발견할 수 있기 때문입니다. 문헌에서 가장 인기 있는 리뷰는 국소 조직, 색상 범위, 병변 경계 인식 측면에서 효과적이기 때문에 합성곱 신경망에 관한 것입니다. 최근 연구들은 전이 학습, 주의 메커니즘, 트랜스포머 모듈의 도움으로 이 패러다임을 더욱 발전시켰으며, 이들은 이미지의 더 큰 공간 의존성을 모델링하려고 시도합니다. 그럼에도 불구하고, mpox에 관한 문헌은 높은 성능 보고를 가지고 있으므로 주의가 필요합니다. 다양한 연구들이 희소한 공개 데이터셋을 사용하거나, 서로 다른 이기종 클래스 집합을 사용하거나, 다양한 전처리 및 검증 체계와 결과를 비교하는 연구들입니다^. 이로 인해 성과 향상이 진정으로 우수한 모델인지, 바람직한 분할, 강력한 향상, 또는 기본 과제 구조의 차이 때문인지에 대한 딜레마가 자주 발생합니다.

Mpox는 피부 감염과 관련된 병변이 1차 검진 시 다른 소포성 및 공포성 병변과 혼동될 수 있어 공중 보건에 부정적인 영향을 미치는 주요 감염병 중 하나로 남아 있습니다. 실제로 임상의들은 형태학, 분포, 병력, 역학, 실험실 확인 등이^{진단 결정의} 요소입니다. 그럼에도 불구하고, 특히 피부과 전문의의 경험이 부족하거나 느리거나 부족할 때 이미지에 의존하는 계산 도구의 도움으로 분류 과정에서 유익한 역할을 할 수 있습니다. 텔레데피부과, 발병이 선별검사로 해결되어야 하는 경우, 그리고 우선순위 목록에 있는 의심 사례를 신속히 처리해야 하는 자원이 제한된 지역에서 적용될 수 있습니다⁷.

딥러닝 기반 방법은 식별 병변 표현을 학습할 수 있기 때문에,^{입력 이미지의} 특성에 따라 수작업으로 만든 설명자 없이도 이러한 표현을 학습할 수 있어 이 작업에 매력적일 것입니다. 피부과 이미지 분야에서는 국소 조직, 병변의 주변부, 그리고 정교한 형태학적 의미를 암호화할 수 있는 능력을 지닌 합성곱 신경망(CNN)을 이미지 분석에 활용하려는 열기가 일고 있습니다. 이후 연구들은 전이 학습, 주의, 트랜스포머 기반 하위 모듈을 통해 보다 일반적인 공간 관계와 맥락적 경향을 학습할 수 있도록 이 패러다임을 제공했습니다⁹. 그럼에도 불구하고 MPOX 영상에 관한 문헌은 여전히 이질적입니다. 성능이 아키텍처 선택뿐만 아니라 데이터셋 구조, 확장 계획, 클래스 정의, 검증 구조¹⁰에도 기반한다고 보고되는 경우가 드물지 않습니다. 따라서 좋은 헤드라인 성과가 반드시 일반화가 증가했다는 의미는 아닙니다.

현재 연구에서는 이 문제를 더 인지하기 쉽고 내부적으로 일관된 이진 mpox 이미지 분류 벤치마크¹¹을 사용하여 해결합니다. 완전히 새로운 하이브리드 아키텍처 제안의 기여에 대해서는 논의하지 않는데, CNN 변환기 기법은 이미 문헌 곳곳에 흩뿌려져 있기^{때문입니다.} 오히려 이 실험은 명시적 1차 이진 분해와 표준 비교를 도입하는데, 여기서 추가 다중 클래스 증거, 전처리/훈련, 모델 성능은 프로토콜 친화적으로 고려되고, 모델 성능은 실험^{환경 13}에 비해 보수적으로 고려됩니다. 이 패러다임에서 CNN-트랜스포머 모델은 국소 병변 정보를 최적으로 포착하는 구조를 갖고 있기 때문에 기능적으로 여전히 중요할 수 있으며, 트랜스포머 기반 표현은 피부과에서 관심 있는 장거리 공간 구조를 표현할 잠재력을 가지고 있습니다.

최근 mpox의 이미지 분류 연구는 방법론에 기반한 세 가지 넓은 연구 흐름으로 나눌 수 있습니다. 후자는 성숙도, 계산 속도, 병변 특이적 질감의 재현 덕분에 기존 CNN과 전이 학습에 기반합니다. 후자는 주의 기반 또는 트랜스포머 모델을 탐구하며, 이는 전반적 병변 맥락을 배우는 데 더 적합합니다. 세 번째는 하이브리드 파이프라인에서 합성곱과 주의를 통합하여 국소적 민감도를 유지하면서도 더 큰 몸체 맥락 모델링을 사용합니다. 몇몇 연구들은 데이터셋 크기, 큐레이션 전략, 클래스 구조, 전처리 및 검증 프로토콜 등 서로 차이가 있어 직접적으로 비교하기 어려운 높은 성능을 보고하고 있습니다^. 이들은 이진 분류 지향적이고 다분류 피부과 구별에 중점을 두고 있으며, 모두 동일한 평가 기준을 가진 것은 아닙니다. 공개적으로 접근 가능한 Mpox 이미지 데이터셋에는 거의 중복이거나 매우 유사한 이미지가 포함될 수 있는데, 분할 통제^{가 충분}하지 않을 경우 성능을 부풀려야 할 수 있습니다.

이 분석은 2,280장의 피부 병변 사진, 1,020장의 mpox 사진, 1,260장의 기타 사진으로 구성된 통제된 이진 집합을 기반으로 합니다. 다른 범주는 육안으로 보이는 비음폭스 병변과 겹치며, 완전한 피부과 위치 확인 시스템에 비해 임상적으로 흥미로운 초기 분류 체계임을 의미합니다¹⁷. 모든 이미지는 크기 조정, 정규화, 표준화, 보강 및 일반적인 내부 훈련-검증 파이프라인에서 평가되었습니다. 주요 목적은 투명한 벤치마크에서 전통 및 하이브리드 딥러닝 모델의 동작을 비교하고, 제안된 하이브리드 아키텍처가 대중적인 기준선에 비해 판별성과 해석 가능성 사이에서 더 우수한 균형을 제공하는지에 대한 결론을 내리는 것이었습니다.

따라서 현재 개정된 버전이 해결하는 명확한 공백은 단순히 하이브리드 모델의 제시에만 국한되지 않습니다. 하이브리드 CNN-트랜스포머의 전략은 이미 문헌에서 다뤄졌기 때문입니다. 대신 불순은 주요 이진 과제와 탐색적 다중 클래스 출력을 무시하고, 전처리 및 훈련 파이프라인을 재현 가능하게 특성화하며, 새로움이나 임상 준비도를 과장하지 않는 방식으로 모델 성능을 제시하는 보다 구분되고 내부적으로 일관된 지표였다는 점입니다¹⁸. 이 점에서 하이브리드 아키텍처는 고려할 가치가 있습니다. CNN은 국소적 특징 추출에 뛰어나며, 트랜스포머와 유사한 주의력은 이론적으로 전역 병변 구성과 장거리 공간 연결을 모델링하여 시각적 진단을 지원할 수 있기 때문입니다¹⁹. 실질적인 질문은 하이브리드 설계가 동일한 큐레이션 데이터 측면에서 일반적인 기준선과 비교했을 때 식별력, 안정성, 해석 가능성의 균형을 잘 맞출지에 관한 것이 아니라, 과세, 안정성, 해석 가능성의 균형을 잘 제공하는지에 관한 것입니다.

mpox 이미지 분석에 관한 최신 연구는 세 가지 일반적인 연구 분야로 나눌 수 있습니다. 전자는 성숙함, 계산 효율성, 병변 특이적 구조 및 국소적 형태^{학적 특징을} 학습할 수 있는 능력 덕분에 전통적인 CNN과 전이 학습 아키텍처를 사용합니다. 두 번째 흐름은 시각 변환기 또는 주의력 강화 모델을 제공하여 병변 영역 전반의 더 넓은 공간적 연관성을 포착할 수 있게 하는데, 특히 텍스처 패치가 맥락 병변 분포로 구성되어 개별 텍스처 패치만큼 중요할 수 있습니다. 세 번째 흐름은 합성곱 분석과 하이브리드 파이프라인 지원을 위한 주의를 추가하여 CNN의 국소적 민감도를 유지하면서도 주의 블록의 맥락 모델링 능력을 활용합니다.

대부분의 연구가 우수한 정확도를 주장하지만, 데이터셋 간 크기, 선별 전략, 클래스 구성, 검증 설계 차이로 인해 교차 연구 비교는 쉽지 않습니다²¹. 이분법적 구별을 평가하는 논문과 다중 분류 피부과 분류를 평가하는 논문이 있으며, 일부는 정확성과 기억 능력에 균형을 이루고,^{일부는 정확성에} 중점을 둡니다. 또한, 보고된 mpox 데이터셋은 온라인 이미지 컬렉션, 큐레이션 컬렉션, 증강 하위 집합을 기반으로 할 수 있어, 트레인 검증 누출이나 거의 중복 이미지가 제대로 관리되지 않을 때 보고된 성능을 향상시킬 수 있습니다. 따라서 표 1 은 단순히 이전 연구의 요약본이 아니라, 모델 계열, 데이터셋 제약 조건, 그리고 이 연구에서 이용 가능한 방법이 제공하는 기회의 도식적 지도로 보관됩니다.

주어진 연구의 방법론적 가치는 보다 제한적이고 더 방어하기 쉬운 방식으로 반영된다. 본 논문은 제공된 엄선된 데이터셋을 활용해 투명 이진 벤치마크의 필요성을 논의하고, 전처리 및 훈련 절차를 보고하며, 제안된 하이브리드 모델을 인기 있는 기준선과 직접 비교할 것입니다²³. 이러한 변화는 또한 주요 이진 실험과 보충 다중 클래스 증거를 분리하여 성능 주장이 적절한 실험적 맥락과 연관될 수 있게 합니다²⁴. 이 차이는 모델 수행, 보고된 측정치, 실용성에 대한 담론적 분석에 결정적인 차이를 만듭니다.

이 스크립트의 주요 실험은 수작업으로 선별한 2280장의 피부 병변 이미지 세트를 대상으로 한 이진 분류 실험입니다. 이 데이터셋에서 mpox로 식별된 이미지는 1,020장, 기타로 분류된 이미지는 1,260장이었습니다. 다른 범주는 mpox와 관련 없는 피부과 외관을 나타내는 시각적 특징을 가진 경우로, 원고에서는 주로 병변으로 수두와 홍역과 유사한 병변으로 표기하는 경우입니다²⁵. 이 이중 명칭은 이 이진 분류가 임상적으로 원시 선별 공식으로서 중요한데, 모델은 의심되는 mpox 및 시각적으로 혼란스러운 대안을 분석할 수 있는지 여부를 조사하면서도, 전체 다분류 피부과 벤치마크보다 덜 복잡하기 때문입니다.

모델 학습은 표준화되어야 했으며, 모든 이미지는 학습 전에 사전 처리되어야 했습니다. 원고에는 크기 조정, 강도 정규화, 증강, 범주 분류 라벨의 이진 변환도 언급되어 있습니다. 그러나 업데이트된 의미에서는 이 단계들이 주변부에서 작성된 노트가 아니라 재현 가능한 파이프라인의 구성 요소로 간주됩니다. 배열은 디렉터리로 구성된 훈련 및 검증 하위 집합으로 다시 세분화되었으며, 앞서 언급한 성능 지표들은 완전히 독립적인 외부 테스트 그룹의 지표가 아니라 내부 검증 성능 영향으로 간주되어야 합니다. 명확히 하기 위해, 이 2,280장의 이미지 수집은 주요 분석이 수행될 공식 데이터로 간주될 것입니다. 이진 프레이밍은 초기 분류 질문을 반영하기 때문에 선택되었습니다: 의심스러운 병변의 이미지가 다른 시각적으로 유사한 상태보다 mpox일 가능성이 더 높은가? 이 프레임은 광범위한 피부과 진단에 비해 제한적이지만, 비교 벤치마킹을 위한 유효하고 기술적으로 해석 가능한 초기 출발점입니다.

데이터셋의 업데이트된 설명은 또한 논문에 다양한 클래스 구조나 풍부해진 부분집합을 통해 얻은 추가 산출물도 포함되어 있다는 점도 고려하는데, 이는 그림 1A–I에 나타난다. 원고는 해당 자료를 삭제하는 대신, 이들을 직접 맥락화하여 독자들이 이진 벤치마크에 속하는 결과와 2차 실험에 속한 결과를 볼 수 있게 합니다. 이 방법은 본 연구의 전체 문서화를 유지하지만, 양립하지 않는 실험을 단일 주장에 통합하는 것은 허용하지 않습니다.

프로토콜

참고: 원고에 설명된 큐레이션된 이진 MPOX 이미지 데이터셋을 주요 실험에 사용하세요. 데이터셋에는 2,280개의 피부 병변 이미지가 포함되어 있으며, 이 중 1,020장은 MPOX 이미지, 1,260장은 기타로 분류되었습니다. 2차 이미지 분석만 사용; 이 워크플로우의 일환으로 직접 환자 모집, 임상 개입, 동물 실험, 신생물 표본 생성 등을 수행하지 마십시오.

1. 데이터셋을 획득하고 큐레이션합니다

1. mpox와 Other, 두 클래스로 구성된 이진 표지 체계를 정의합니다.
2. 외형으로 유사한 비흑사성 병변을 다른 그룹에 할당하세요.
3. 모든 이미지를 가독성, 클래스 식별, 감독 이미지 분류 적합성을 위해 스크리닝합니다.
4. 큐레이션 과정에서 사용할 수 없거나 모호한 이미지를 제외하세요.
5. 큐레이션된 이미지를 디렉터리 기반 클래스 폴더로 정리하여 이미지 생성기로 후속 로딩을 하세요.

2. 이미지 크기 조정 및 정규화

1. 모델 학습 전에 모든 이미지를 150 x 150 픽셀로 크기 조정하세요.
2. 크기 조절 시 이중입순 보간을 적용하여 부드러운 이미지 전환을 유지하세요.
3. 픽셀 강도를 255로 나누어 재조정합니다.
4. 모든 이미지 강도를 [0,1] 범위로 정규화합니다.
   참고: 모든 모델에 대해 동일한 공간 해상도 및 정규화 절차를 사용하여 아키텍처 간 공정한 비교를 유지하세요.

3. 훈련 이미지 보강

1. 보강은 훈련 하위 집합에만 적용하세요.
2. 회전 범위를 20°로 설정하세요.
3. 폭 이동 범위를 0.2로 설정하세요.
4. 높이 이동 범위를 0.2로 설정하세요.
5. 전단 범위를 0.2로 설정하세요.
6. 줌 범위를 0.2로 설정하세요.
7. 수평 뒤집기를 활성화하세요.
8. 증강 중에 도입된 픽셀에는 최근접 이웃 채우기를 사용하세요.
9. 이미지 파일을 영구적으로 복제하는 대신 온라인 보강을 수행하세요.
   참고: 검증 이미지를 증강하지 마십시오; 오직 재조정만 하면 됩니다.

4. 라벨을 인코딩하고 데이터셋을 분할합니다.

1. 두 클래스를 이진 레이블로 인코딩합니다.
2. 이진 클래스 모드에서 디렉터리 기반 생성기를 사용하여 이미지를 불러옵니다.
3. 배치 크기를 32로 설정하세요.
4. 데이터셋을 훈련 및 검증 하위 집합으로 나누세요.
   참고: 원고는 내부 훈련-검증 벤치마킹만 보고하며, 독립적인 외부 시험 코호트는 포함하지 않습니다.

5. 기본 CNN 모델 구축

1. 세 개의 컨볼루션 블록으로 구성된 순차 CNN 기준선을 구성합니다.
2. 첫 번째 컨볼루션 블록에는 32개의 필터를 사용하고, 블록을 따라 최대 풀링을 진행하세요.
3. 두 번째 컨볼루션 블록에는 64개의 필터를 사용하고 블록을 따라 최대 풀링을 하세요.
4. 세 번째 합성곱 블록에 128개의 필터를 사용하고 최대 풀링을 따라 블록을 따라가세요.
5. 추출한 특징 지도를 평평하게 만듭니다.
6. 512 단위로 밀도가 높은 층을 추가하세요.
7. 중도 탈락률 0.5로 지원하세요.
8. 이진 분류를 위해 시그모이드 출력 계층을 사용하세요.
9. 비교 기준 아키텍처로 InceptionV3, ResNetV2, ResNet50, DenseNet121을 포함하세요.
   참고: 모든 기준선 비교에는 동일한 큐레이션된 이진 데이터셋과 전처리 파이프라인을 사용하여 모든 기준선 비교를 진행하세요.

6. 하이브리드 CNN-트랜스포머 모델 정의

1. CNN 모듈을 로컬 피처 인코더로 사용하세요.
2. CNN 성분을 사용하여 병변 조직, 경계, 국소 형태학적 패턴을 추출합니다.
3. 컨텍스트 인코더로 트랜스포머 기반 모듈을 사용하세요.
4. 학습된 표현에서 트랜스포머 구성 요소를 사용하여 더 넓은 공간적 의존성을 모델링합니다.
5. CNN과 트랜스포머 특징 벡터를 동일한 차원으로 투영하고 원소별 덧셈을 통해 융합합니다.
6. 퓨즈된 표현을 분류 헤드를 통해 이진 mpox-대 Other 출력에 매핑합니다.
   참고: 주의 헤드 수, 임베딩 차원, 트랜스포머 계층이 명시적으로 제공되지 않는 경우, 모듈 수준에서 하이브리드 아키텍처를 보고하십시오.

7. 교육 과정 및 감정 실무

1. 구현된 모델을 사용해 이진 분류기를 조립하고, Adam 최적화기, 이진 교차엔트로피 손실, 정확도를 주요 훈련 지표로 삼습니다.
2. 엄선된 mpox-vsus-other 데이터셋에서 15시대에 대해 명확하게 정의된 기초 모델을 학습시킵니다.
3. 모든 실험은 GPU 장착 시스템에서 파이썬 기반 딥러닝 환경에서 수행하고, 소프트웨어 자원과 일반 계산 환경을 Table of Materials에 요약하세요.
4. 훈련 중 학습 및 검증 손실 곡선을 모니터링하고, 각 모델별로 정확도, 정밀도, 회상율, F1 점수, AUC를 계산할 수 있습니다.
5. 보고 및 일반화 행동의 일관성을 강조하여 모델 성능을 해석하고, 단일 피크 정확도 값보다 민감도와 특이성 간의 균형을 우선시합니다.
6. 각 모델에 대해 두 가지 평가 질문을 정하세요: (i) 모델이 훈련 데이터에 얼마나 잘 맞는지, (ii) 학습된 표현이 동일한 큐레이션된 출처에서 보관된 검증 이미지로 얼마나 잘 전달되는지.
   참고: 이 두 가지 측면을 원고에 명시적으로 제시하여 표현 능력과 유용한 일반화를 구분해야 합니다.
7. 높은 훈련 정확도를 충분한 표현 능력의 증거로 해석하고, 높고 안정적인 검증 성과를 유용한 일반화의 더 의미 있는 지표로 해석하세요.

8. 실험적 분석

1. 기록된 결과에 의해 직접 뒷받침되는 결과만 보고하고, 문서화된 증거를 넘어서 추론하지 마세요.
2. 검증 정보가 누락되거나 테이블이 다른 클래스 구조를 반영하는 경우 명시적으로 제한을 명시합니다.
3. 이진 mpox-et 분류 과제를 1차 분석으로 간주하고 모든 실험의 내부 참조로 활용하세요.
4. 원본 구현 코드를 서술 프로토콜로 변환하여 표 2 에 정리하여 데이터셋, 소프트웨어 환경, 모델 군, 훈련 구성을 간결하게 요약하여 재현성을 확보하세요.
5. 하드웨어와 소프트웨어에 대한 설명을 일반화하여 단일 벤더별 플랫폼이 아닌 방법론적 재현성에 초점을 맞추도록 하세요.
6. 현재 모델별 결과는 아키텍처가 도입된 것과 동일한 순서로 제공되어, 훈련 동작, 검증 동작, 보고 완전성 비교를 단순화합니다.
7. 순차 CNN 기준선을 매우 높은 내부 검증 성능을 달성한 것으로 설명하되, 이는 유리한 분할 특성을 반영할 수 있으며 외부적으로는 일반화되지 않을 수 있음을 주의해야 합니다.
8. 순차적 모델을 배포 가능한 진단 견고성의 결정적 입증이라기보다는 강력한 내부 참조로 해석하세요.
9. 손실과 정확도 궤적을 함께 보면 효과적인 학습 최적화와 일관성 없는 검증 동작을 드러내기 때문에 별도의 InceptionV3 패널을 유지할 정당화해야 합니다.
10. ResNetV2를 비교 검증 지표가 없어 부분적으로 보고된 정보성 기준선으로 설명하세요.
11. ResNet50 다중 클래스 실험은 주요 이진 벤치마크와는 구별되는 보조 증거로 간주하세요.
12. DenseNet121을 보고된 이진 하위 집합에서 경쟁력은 있지만 지배적이지는 않은 중간 벤치마크로 해석하세요.
13. 하이브리드 CNN 트랜스포머를 단일 지표에서 일방적인 이익이 아니라 균형 잡힌 클래스 구별을 달성한 것으로 설명하세요.
14. 일부 모델은 서로 다른 보고 조건에서 평가되었다고 해서 하이브리드 모델이 모든 기준선에서 보편적으로 우월하다고 주장하지 마십시오.
15. 하이브리드 모델을 높은 검증 성능과 지표 균형 사이의 유망한 절충으로 포지셔닝하고, 표준화된 외부 테스트 벤치마크에 대한 추가 평가를 권고합니다.

결과

헤드라인 정확성을 넘어선 비교

이 결과는 의료 영상 분석에서 모델 비교가 단순히 헤드라인 정확성뿐 아니라 여러 지표와 다양한 실험 환경에 따른 아키텍처의 거동에도 초점을 맞춰야 함을 보여줍니다. 실험 전반에 걸쳐 모델들은 유사한 행동을 보이지 않았습니다: 단순한 순차 CNN은 내부 검증 분할에서 매우 높은 성능을 보였고, InceptionV3는 과적합했으며, ResNetV2는 검증 결과를 충분히 보고하지 못했고, DenseNet121은 성능 면에서는 상대적이었지만 지배적이지는 않았으며, 제안된 하이브리드 CNN-트랜스포머 모델은 다양한 측정에서 견고하고 균형 잡힌 성능 프로필을 보였습니다. 이러한 차이가 교육, 검증, 평가 조건에 대한 보고를 단일 최고 정확도에 의존하기보다는 내부적으로 일관된 적용의 중요성을 강조합니다. 전체 학습 검증 손실과 정확도 추세는

토론

이 연구의 핵심 결과는 본 연구에서 사용된 엄선된 데이터셋을 통해 mpox와 시각적으로 유사한 병변의 이분법 분류(자동 분류)가 가능하다는 점이지만, 이러한 성공은 주로 증거 해석에 의존한다는 것이다²⁷. 실험을 적절히 분리하여 원고는 전통적인 하이브리드 아키텍처와 제안된 하이브리드 아키텍처 모두가 강한 성능을 수행할 수 있다는 증거를 제시합니다²⁸. 따라서 하이브리드 모델을 모든 상황에 대한 보편적 해법으로 보는 것은 적절하지 않으며, 이는 균형 잡히고 유망한 해답입니다.

또한 중요한 여러 제한점도 존재합니다. 첫째, 주요 발견은 한 가지 엄선된 데이터셋 집합의 내부 검증이며, 기관, 기기, 환자 인구통계, 이미지 캡처 조건 전반에 걸쳐 아직 견고함이 입증되지 않았습니다²⁹. 둘째, 이분법 ...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
데이터셋	엄선된 mpox 이미지 데이터셋; 주요 이진 벤치마크용 2,280장 이미지 (1,020장의 MPOX 및 1,260장의 기타 이미지)	1차 교육 및 내부 검증 소스
작업 정의	핵심 연구의 이진 분류; 보조 다중 클래스 및 증강 요약은 별도로 보관	보고된 지표의 일관된 해석을 보장합니다
프로그래밍 환경	파이썬 기반 노트북 워크플로우	데이터 처리, 모델 학습 및 플롯 작성
딥러닝 프레임워크	제출된 코드에 보고된 TensorFlow / Keras 구현	모델 개발 및 최적화
이미지 유틸리티	ImageDataGenerator 및 리스케일링 및 증강 기능; 훈련 곡선을 위한 라이브러리 플롯	전처리, 증강 및 시각적 보고
기본 아키텍처	순차 CNN, 인셉션V3, ResNetV2, ResNet50, DenseNet121	비교 벤치마킹
제안된 건축	하이브리드 CNN-트랜스포머 분류기	주요 방법론적 기여
교육 환경	입력 크기 150 x 150; 배치 크기 32; 아담 옵티마이저; 이진 교차 엔트로피; 제공된 기준선 코드에 대해 보고된 15개의 시대	핵심 워크플로우의 재현성
컴퓨트 환경	GPU 지원 계산 시스템; 내러티브에서 일반화된 하드웨어 세부사항	훈련 중 모델 가속도