Innovatieve hybride CNN-Transformer deep learning-modellen voor de geautomatiseerde diagnose van apenpokken op basis van medische beelden

Samenvatting

Het gebruik van een samengestelde collectie van 2.280 huidlaesiebeelden leverde een gestandaardiseerde binaire deep learning-workflow op om de aanwezigheid van mpox in elke afbeelding te classificeren. Een custom en InceptionV3, ResNetV2, ResNet50, DenseNet121 en een hybride CNN-transformator model werden vergeleken in de context van een gemeenschappelijke preprocessing- en trainingspijplijn.

Samenvatting

Het visuele uiterlijk van apenpokkenhuidlaesies blijft slecht vastgesteld vanwege hun gelijkenis met andere vesiculaire en pustelhuidaandoeningen. Dit artikel testte de hypothese dat een hybride deep-learningmodel, geïntegreerd met convolutionele en transformer-gebaseerde feature encoders, mpox-beelden automatisch kan classificeren binnen een uniforme experimentele pijplijn. Om consistentie tussen modellen en rapporten te waarborgen, werd de hoofdanalyse als een binaire taak uitgevoerd: mpox versus andere omstandigheden met dezelfde of vergelijkbare presentatie. Deze benchmarkgegevens bestonden uit 2.280 afbeeldingen: 1.020 mpox en 1.260 niet-mpox laesiebeelden. De beelden werden teruggesampled tot een standaard invoergrootte van 150 × 150 pixels, en de waarden lagen in het bereik [0, 1]. Tijdens de training werden de beelden aangevuld met rotatie, translatie, schuif, zoom en horizontale flipping. Een aangepaste sequentiële CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121 en een voorgestelde hybride CNN-transformatorarchitectuur werden vergeleken. Elk basismodel werd getraind voor 15 epochs met behulp van de Adam-optimizer en binaire kruis-entropieverlies. Trainings- en validatienauwkeurigheid, verlies, precisie, terugroep, F1-score en oppervlakte onder de receiver operating characteristic curve werden gemeten om, waar mogelijk, de prestaties te beoordelen. De best gerapporteerde interne validatienauwkeurigheid werd waargenomen met het Sequentiële CNN, en het hybride model behaalde een precisie van 98,50, een recall van 98,50 en een F1-score van 98,58, wat resulteerde in een gebalanceerd discriminatief profiel. InceptionV3 vertoont tekenen van overfitting, en ResNetV2 leverde niet voldoende validatiegegevens om een robuuste generalisatietest te ondersteunen. Over het geheel genomen kan het hybride model worden gezien als een levensvatbare en evenwichtige strategie en niet per se beter dan alle basislijnen.

Inleiding

Geautomatiseerde en snelle detectie van mpox in medische gevallen is klinisch significant, aangezien de ziekte bij de eerste visuele evaluatie vergelijkbaar kan zijn met verschillende andere vesiculaire of pusteluitbarstingen. Clinici besteden in de praktijk weinig aandacht aan de morfologie van laesies alleen, maar combineren patroon, verspreiding, voorgeschiedenis, blootstellingsrisico, epidemiologische context en laboratoriumbevestiging¹. Desalniettemin gebruiken computationele tools beelden en kunnen ze ook een nuttige triageprocedure uitvoeren in omgevingen waar een deskundig dermatologisch onderzoek beperkt of vertraagd is. Het is vooral toepasbaar bij het volgen van uitbraken, teledermatologische screening en de omgevingen die beperkte middelen hebben en een aanzienlijk aantal mogelijke gevallen hebben die prioriteit moeten krijgen voor bevestigende tests.

De op diep lerende lessen gebaseerde benaderingen zijn ook aantrekkelijk gebleken voor deze taak, omdat ze discriminerende beelden van laesies kunnen ontdekken zonder gebruik te maken van descriptors die handmatig moeten worden gemaakt². De populairste literatuurreview behoort nog steeds tot convolutionele neurale netwerken vanwege hun effectiviteit in lokale textuur, kleurbereik en herkenning van laesiemarges³. Recent werk heeft dit paradigma verder ontwikkeld met behulp van transfer learning, aandachtsmechanismen en transformatormodules, die proberen een grotere ruimtelijke afhankelijkheid van het beeld te modelleren. Desalniettemin heeft de literatuur over mpox hoge gerapporteerde prestaties die met voorzichtigheid moeten worden behandeld. Een grote verscheidenheid aan studies maakt gebruik van schaarse openbare datasets, heeft verschillende sets heterogene klassen, of vergelijkt resultaten met diverse preprocessing- en validatieregimes⁴. Hierdoor is er vaak het dilemma of prestatieverbeteringen het resultaat zijn van een werkelijk superieur model, een gewenste splitsing, krachtige augmentatie of ongelijkheden in de formulering van de onderliggende taak.

Mpox blijft een van de belangrijkste infectieziekten met nadelige gevolgen voor de volksgezondheid, aangezien de laesies met huidinfecties tijdens het primaire onderzoek tijdens het eerste onderzoek ogenschijnlijk verward kunnen worden met andere vesiculaire en pustelvormige laesies op het grensvlak⁵. In de praktijk stellen clinici hun diagnose van mpox niet op basis van morfologie: patroon, verspreiding, voorgeschiedenis, epidemiologie en laboratoriumbevestiging zijn onderdelen van de diagnosebeslissing⁶. Desalniettemin kunnen ze een gunstige rol spelen in het triageproces met behulp van computationele hulpmiddelen die op de beelden vertrouwen, vooral wanneer de ervaring van de dermatologen onvoldoende, traag of niet beschikbaar is. Ze kunnen toepasbaar zijn in de teledermatologie, in gevallen waarin een uitbraak met screening moet worden aangepakt, en op plaatsen met beperkte middelen waar vermoedelijke gevallen op de prioriteitenlijst snel moeten worden aangepakt⁷.

Op diep learning gebaseerde methoden, omdat ze het mogelijk maken discriminerende laesierepresentaties te leren, zouden aantrekkelijk zijn voor deze taak omdat ze dergelijke representaties leren zonder handgemaakte beschrijvingen, afhankelijk van de kenmerken van de invoerbeelden⁸. Het is een hysterie binnen het veld van dermatologische beelden om convolutionele neurale netwerken (CNN's) te gebruiken bij het analyseren van beelden, omdat deze in staat zijn lokale textuur, de periferie van laesies en de betekenis van de exquisite morfologie te coderen. Latere studies hebben dit paradigma geleverd via transfer learning, attention en transformer-gebaseerde submodules om meer algemene ruimtelijke relaties en contextuele trends te leren⁹. Desalniettemin is de literatuur over mpox-beeldvorming nog steeds heterogeen. Het is niet ongebruikelijk dat prestaties niet alleen gebaseerd zijn op de architectuurselectie, maar ook op basis van datasetstructuur, augmentatieplan, klassendefinitie en validatiestructuur¹⁰. Goede headline-prestaties betekenen dan niet per se een toename van generalisatie.

In het huidige werk wordt dit probleem opgelost door gebruik te maken van een meer waarneembare en intern consistente binaire mpox beeldclassificatiebenchmark¹¹. Het bespreekt niet de bijdrage in het format van het voorstellen van een geheel nieuwe hybride architectuur, aangezien CNN-transformatormethoden al door^{de literatuur} zijn verspreid. In plaats daarvan introduceert het experiment een standaardvergelijking met expliciete primaire binaire decompositie, waarbij de extra multiklasse bewijsstukken, preprocessing/training en modelprestaties op een protocolvriendelijke manier worden beschouwd, en de modelprestaties conservatief worden beoordeeld ten opzichte van experimentomgeving¹³. In dit paradigma kan een CNN-transformermodel nog steeds functioneel belangrijk zijn, aangezien CNN's optimaal zijn gestructureerd om lokale laesie-informatie vast te leggen, terwijl transformer-gebaseerde representaties ook het potentieel hebben om langeafstandsruimtelijke structuren van belang in de dermatologie te representeren.

Recent beeldclassificatieonderzoek van mpox kan worden onderverdeeld in drie brede onderzoeksstromen die gebaseerd zijn op een methodologie. Deze laatste is gebaseerd op de conventionele CNN's en transfer-learning vanwege de volwassenheid, rekensnelheid en het recreëren van laesiespecifieke texturen¹⁴. De laatste onderzoekt aandachtgebaseerde of transformermodellen, die beter geschikt zijn om de context van de globale laesie te leren. De derde integreert convolutioneel en aandacht in de hybride pijplijnen om de lokale gevoeligheid te behouden, maar gebruik te maken van grotere lichaamscontextuele modellering. Verschillende studies rapporteren hoge prestaties die niet gemakkelijk direct vergeleken kunnen worden omdat de studies verschillen in de omvang van hun dataset, curatiestrategie, structuur van hun klassen, preprocessing en validatieprotocol¹⁵. Ze zijn binair classificatiegericht, multiclass dermatologisch discriminatiegericht en hebben niet allemaal dezelfde beoordelingsmaten. Mpox-beelddatasets die openbaar toegankelijk zijn, kunnen ook bijna-dubbele of zeer vergelijkbare beelden bevatten, wat vereist dat de schijnbare prestaties worden opgeblazen als split-control^{niet voldoende is}.

De gegeven analyse is gebaseerd op een gecontroleerde binaire set van 2.280 foto's van huidlaesies, 1.020 foto's van mpox en 1.260 foto's van Overig waren gepland. De categorie Andere overlapt met de niet-mpox laesies die met het blote oog verschijnen, en dit geeft de taak een klinisch interessante vroege triageformulering, vergeleken met een volledig dermatologisch lokalisatiesysteem¹⁷. De beelden werden allemaal verkleind, genormaliseerd, gestandaardiseerd, aangevuld en geëvalueerd in een typische interne trainingsvalidatiepijplijn. Het hoofddoel was de vergelijking van het gedrag van conventionele en hybride deep-learningmodellen in een transparante benchmark en een conclusie over de vraag of de voorgestelde hybride architectuur een superieure balans biedt tussen discriminatie en interpreteerbaarheid, vergeleken met populaire baselines.

De duidelijke kloof die de huidige herziene versie aanpakt, is dus niet louter de presentatie van het hybride model, aangezien de strategieën van hybride CNN-transformator al in de literatuur zijn behandeld. In plaats daarvan is de kloof dat wat nodig was, een meer duidelijke, intern consistente metriek was die de primaire binaire taak en verkennende multiclass-output negeert, de preprocessing- en trainingspijplijn op een reproduceerbare manier karakteriseert en de modelprestaties presenteert op een manier die nieuwheid of klinische paraatheid niet overschat¹⁸. In dat opzicht is een hybride architectuur toch het overwegen waard, aangezien CNN's uitblinken in lokale feature-extractie, en transformer-achtige aandacht in theorie globale laesieconfiguraties en langere ruimtelijke verbindingen kan modelleren om visuele diagnose^{te ondersteunen 19}. De praktische vraag gaat niet over de vraag of een hybride ontwerp een gunstige balans zal hebben tussen discriminatie, stabiliteit en interpreteerbaarheid vergeleken met typische baselines op hetzelfde gecureerde data-aspect, maar of het een goede balans biedt tussen belastingen, stabiliteit en interpreteerbaarheid.

De nieuwste werken over mpox-beeldanalyse kunnen worden onderverdeeld in drie algemene stromingen van de studie van methoden. De eerste gebruikt traditionele CNN's en transfer-learning architecturen vanwege hun volwassenheid, rekenkundige efficiëntie en het vermogen om laesiespecifieke texturen en lokale morfologische kenmerken te leren²⁰. De tweede stroom biedt de vision-transformer of aandachtsversterkte modellen om de bredere ruimtelijke associaties over het laesieveld vast te leggen, vooral wanneer de textuurpatches bestaan uit contextuele laesieverdeling, en dus net zo belangrijk kunnen zijn als individuele textuurpatches. De derde stroming voegt de convolutionele en de aandacht toe om hybride pijplijnen te ondersteunen in een poging de lokale gevoeligheid van CNN's te behouden, maar gebruikmakend van de contextuele modellering van aandachtblokken.

Hoewel de meeste van deze werken uitstekende nauwkeurigheid claimen, is cross-study vergelijking geen gemakkelijke taak vanwege de verschillen in grootte, curatiestrategie, klassensamenstelling en validatieontwerp over datasets²¹. Er zijn publicaties die binaire discriminatie beoordelen, en publicaties die multiclass dermatologische categorisatie beoordelen; sommige zijn ook in balans in rapportageprecisie en herinnering, en sommige richten zich op nauwkeurigheid²². Ook kunnen gerapporteerde mpox-datasets gebaseerd zijn op online beeldcollecties, gecureerde collecties of uitgebreide subsets, wat de gerapporteerde prestaties kan verbeteren wanneer treinvalidatielekken of bijna-dubbele afbeeldingen niet goed worden beheerd. Tabel 1 wordt dus niet slechts als een verzameling van eerder werk bijgehouden, maar eerder als een schematische kaart van modelfamilies, beperkingen van datasets en de mogelijkheden die de methoden in dit onderzoek bieden.

De methodologische waarde van het gegeven werk wordt weerspiegeld op een meer beperkte en beter verdedigbare manier. Dit artikel bespreekt de noodzaak van de transparante binaire benchmark met behulp van de verstrekte gecureerde dataset, rapporteert de preprocessing- en trainingsprocedure en vergelijkt het voorgestelde hybride model direct met populaire baselines²³. Deze veranderingen scheiden ook het hoofd-binaire experiment en het supplementatie-multiclass-bewijs op een manier die prestatieclaims kan koppelen aan de juiste experimentele context²⁴. Het verschil maakt een beslissend verschil in de discursieve analyse van modelgedrag, gerapporteerde metingen en praktisch gebruik.

Het belangrijkste experiment van dit script is een binaire classificatie-experiment op een kleinere set van 2280 afbeeldingen van huidlaesies, die met de hand is samengesteld. In deze dataset werd het aantal afbeeldingen dat als mpox werd geïdentificeerd 1.020, en die als overig werden gecategoriseerd waren 1.260. De andere categorie omvat de presentatie van niet-mpox-gerelateerde dermatologische verschijningen die visueel van aard zijn, meestal laesies waarbij het manuscript deze waterpokken- en mazelenachtige laesies noemt²⁵. Deze dubbele nomenclatuur maakt deze binaire groepering klinisch significant als primitieve screeningsformulering omdat het model onderzoekt of het model in staat is vermoedelijke mpox en visueel verwarrende alternatieven te ontleden, maar ook minder complex is dan een volledige multiclass dermatologiebenchmark.

De training van de modellen moest gestandaardiseerd worden, waarbij alle beelden vooraf werden verwerkt voordat ze werden getraind. Grootteverkleining, intensiteitsnormalisatie, augmentatie en omzetting van categorische naar binaire labels worden ook genoemd in het manuscript. In de geactualiseerde betekenis worden deze stappen echter beschouwd als onderdelen van een reproduceerbare pijplijn en niet als notities die aan de rand zijn geschreven. De array werd verder opgesplitst in trainings- en validatiesubsets bestaande uit directories, en de genoemde prestatie-metrics moesten dan worden gezien als interne validatieprestaties in plaats van als indicatoren van een volledig onafhankelijke externe testgroep. Om het duidelijker te maken: deze collectie van 2.280 beelden zal worden beschouwd als de officiële gegevens waarop de hoofdanalyse zal worden uitgevoerd. De binaire kadrering werd gekozen omdat deze de vroege triagevraag weerspiegelt die in de praktijk vaak voorkomt: is het beeld van een verdachte laesie waarschijnlijker mpox dan andere visueel vergelijkbare aandoeningen? Deze benadering is beperkt in vergelijking met een uitgebreide dermatologische diagnose, maar het is een geldig en technisch interpreteerbaar uitgangspunt voor vergelijkende benchmarking.

De bijgewerkte beschrijving van de dataset houdt ook rekening met het feit dat het artikel enkele extra output bevat die zijn verkregen met behulp van verschillende klassenstructuren of enkele verrijkte deelsets, die worden weergegeven in Figuren 1A–I. In plaats van die materialen te verwijderen, plaatst het manuscript ze nu direct in context zodat lezers de resultaten kunnen bekijken die deel uitmaken van de binaire benchmark en die van secundaire experimenten. Deze methode zal de volledige documentatie van deze studie behouden, maar zal niet toestaan dat incompatibele experimenten in één enkele bewering worden opgenomen.

Protocol

OPMERKING: Gebruik de gecureerde binaire mpox-beelddataset zoals beschreven in het manuscript voor het hoofdexperiment. De dataset bevat 2.280 afbeeldingen van huidlaesies, waaronder 1.020 mpox beelden en 1.260 afbeeldingen gelabeld als Overig. Gebruik alleen secundaire beeldanalyse; Voer geen directe patiëntenwerving, klinische interventie, dierproeven of het genereren van nieuwe biologische monsters uit als onderdeel van deze workflow.

1. Verkrijg en cureer de dataset

1. Definieer een binair labelschema met twee klassen: mpox en Overig.
2. Ken visueel vergelijkbare niet-mpox laesies toe aan de Andere klasse.
3. Screen alle afbeeldingen op leesbaarheid, klasse-identiteit en geschiktheid voor classificatie van supervised beelden.
4. Sluit onbruikbare of dubbelzinnige afbeeldingen uit tijdens de curatie.
5. Organiseer de gecureerde afbeeldingen in map-gebaseerde classmappen voor downstream laden met afbeeldingsgeneratoren.

2. Verander de grootte en normaliseer de afbeeldingen

1. Verander alle afbeeldingen van formaat naar 150 x 150 pixels vóór het modeltraining.
2. Pas bicubische interpolatie toe tijdens het aanpassen van de grootte om vloeiende beeldovergangen te behouden.
3. Herschaal pixelintensiteiten door elke pixelwaarde te delen door 255.
4. Normaliseer alle beeldintensiteiten naar het bereik [0,1].
   OPMERKING: Gebruik dezelfde ruimtelijke resolutie en normalisatieprocedure voor alle modellen om een eerlijke vergelijking tussen architecturen te behouden.

3. Versterk de trainingsbeelden

1. Pas augmentatie alleen toe op de trainingssubset.
2. Stel het rotatiebereik in op 20°.
3. Stel het breedteverschuivingsbereik in op 0,2.
4. Stel het hoogteverschuivingsbereik in op 0,2.
5. Stel het afschuifbereik in op 0,2.
6. Stel het zoombereik in op 0,2.
7. Schakel horizontale flippen in.
8. Gebruik naaste-buur-vulling voor pixels die tijdens augmentatie worden geïntroduceerd.
9. Voer augmentatie online uit tijdens de training in plaats van door beeldbestanden permanent te dupliceren.
   OPMERKING: Vul de validatiebeelden niet aan; Alleen ze opnieuw schalen.

4. Cogeer de labels en splits de dataset

1. Codeer de twee klassen als binaire labels.
2. Laad de afbeeldingen met mapgebaseerde generatoren in binaire klassemodus.
3. Stel de batchgrootte in op 32.
4. Verdeel de dataset in trainings- en validatiesubsets.
   OPMERKING: Het manuscript rapporteert alleen interne benchmarking van trainingsvalidatie en bevat geen onafhankelijke externe testcohort.

5. Bouw de basismodellen van CNN

1. Bouw een sequentiële CNN-baseline met drie convolutionele blokken.
2. Gebruik 32 filters in het eerste convolutionele blok en volg het blok met maximale pooling.
3. Gebruik 64 filters in het tweede convolutionele blok en volg het blok met maximale pooling.
4. Gebruik 128 filters in het derde convolutionele blok en volg het blok met maximale pooling.
5. Plat de geëxtraheerde featurekaarten af.
6. Voeg een dichte laag toe met 512 eenheden.
7. Vraag uitval aan met een percentage van 0,5.
8. Gebruik een sigmoid-uitvoerlaag voor binaire classificatie.
9. Neem InceptionV3, ResNetV2, ResNet50 en DenseNet121 op als vergelijkende basisarchitectuur.
   OPMERKING: Gebruik dezelfde gecureerde binaire dataset en preprocessing-pijplijn voor alle basisvergelijkingen waar van toepassing.

6. Definieer het hybride CNN-transformatormodel

1. Gebruik een CNN-module als lokale feature-encoder.
2. Extraheer laesietextuur, rand en lokale morfologische patronen met de CNN-component.
3. Gebruik een transformator-gebaseerde module als context-encoder.
4. Modelleer bredere ruimtelijke afhankelijkheden in de geleerde representatie met de transformatorcomponent.
5. Projecteer de CNN- en transformatorkenmerkvectoren op dezelfde dimensionaliteit en fuse ze via elementgewijze optelling.
6. Koppel de gefuseerde representatie aan een binaire mpox-versus-Other output via een classificatiekop.
   OPMERKING: Rapporteer de hybride architectuur op moduleniveau als het aantal aandachtshoofden, embedding-afmetingen en transformatorlagen niet expliciet beschikbaar is.

7. Trainingsproces en beoordelingspraktijk

1. Stel de binaire classifier samen met het geïmplementeerde model met de Adam-optimizer, binaire kruis-entropieverlies en nauwkeurigheid als primaire trainingsmaatstaf.
2. Train het duidelijk gedefinieerde basismodel voor 15 epochs op de gecureerde mpox-versus-other dataset.
3. Voer alle experimenten uit in een Python-gebaseerde deep-learningomgeving op een GPU-uitgerust systeem, en vat de softwarebronnen en de algemene computationele omgeving samen in Table of Materials.
4. Monitor trainings- en validatieverliescurves tijdens de training en bereken nauwkeurigheid, precisie, recall, F1-score en AUC voor elk individueel model wanneer beschikbaar.
5. Interpreteer modelprestaties door de consistentie van rapportage- en generalisatiegedrag te benadrukken, en geef prioriteit aan een balans tussen gevoeligheid en specificiteit boven enkele pieknauwkeurigheidswaarden.
6. Formuleer twee evaluatievragen voor elk model: (i) hoe goed het model past bij de trainingsdata en (ii) hoe goed de geleerde representatie overdraagbaar is naar vastgehouden validatiebeelden van dezelfde gecureerde bron.
   OPMERKING: Presenteer deze twee aspecten expliciet in het manuscript om representatiecapaciteit te onderscheiden van nuttige generalisatie.
7. Interpreteer hoge trainingsnauwkeurigheid als bewijs van voldoende representatiecapaciteit, en interpreteer hoge en stabiele validatieprestaties als de meer betekenisvolle indicator van nuttige generalisatie.

8. Experimentele analyses

1. Rapporteer alleen resultaten die direct worden ondersteund door de opgenomen output, en vermijd extrapolatie buiten het gedocumenteerde bewijs.
2. Stel expliciet beperkingen aan waar validatie-informatie ontbreekt of waar een tabel een andere klassenstructuur weerspiegelt.
3. Behandel de binaire mpox-versus-andere classificatietaak als de primaire analyse en gebruik deze als interne referentie voor alle experimenten.
4. Vertal de oorspronkelijke implementatiecode naar een narratief protocol en naar Tabel 2 , zodat de dataset, softwareomgeving, modelfamilies en trainingsconfiguratie beknopt worden samengevat voor reproduceerbaarheid.
5. Generaliseer de beschrijvingen van hardware en software zodat de focus blijft liggen op methodologische reproduceerbaarheid in plaats van op één leveranciersspecifiek platform.
6. Huidige modelresultaten in dezelfde volgorde als de architecturen worden geïntroduceerd, om de vergelijking van trainingsgedrag, validatiegedrag en rapportagevolledigheid te vereenvoudigen.
7. Beschrijf de sequentiële CNN-baseline als het bereiken van zeer hoge interne validatieprestaties, terwijl je waarschuwt dat dit gunstige splitsingskenmerken kan weerspiegelen en mogelijk niet extern generaliseert.
8. Interpreteer het Sequentiële model als een sterke interne referentie in plaats van een definitieve demonstratie van inzetbare diagnostische robuustheid.
9. Rechtvaardig het behouden van aparte InceptionV3-panelen, omdat verlies- en nauwkeurigheidstrajecten samen effectieve trainingsoptimalisatie maar inconsistent validatiegedrag laten zien.
10. Beschrijf ResNetV2 als een informatieve maar gedeeltelijk gerapporteerde baseline omdat vergelijkbare validatiemetrics niet beschikbaar waren.
11. Behandel het ResNet50 multiclass-experiment als aanvullend bewijs dat verschilt van de primaire binaire benchmark.
12. Interpreteer DenseNet121 als een tussentijdse benchmark met concurrerende maar niet dominante prestaties op de gerapporteerde binaire subset.
13. Beschrijf de hybride CNN-transformator als het bereiken van gebalanceerde klassendiscriminatie in plaats van een eenzijdige winst in één enkele maatstaf.
14. Vermijd het claimen van universele superioriteit van het hybride model over alle baselines, omdat sommige modellen onder verschillende rapportagevoorwaarden zijn geëvalueerd.
15. Positioneer het hybride model als een veelbelovende afweging tussen hoge validatieprestaties en metriekbalans, en bevel verdere evaluatie aan op gestandaardiseerde, extern geteste benchmarks.

Resultaten

Vergelijking voorbij de nauwkeurigheid van de kop

Deze resultaten tonen aan dat vergelijkingen van modellen in medische beeldanalyse zich niet alleen moeten richten op de nauwkeurigheid van de koppen, maar ook op het gedrag van de architecturen met betrekking tot een aantal metrics en verschillende experimentele settings. Gedurende de experimenten gedroegen de modellen zich niet op dezelfde manier: de eenvoudige sequentiële CNN presteerde extr...

Discussie

Het belangrijkste resultaat van de studie is dat binaire classificatie van mpox versus visueel vergelijkbare laesies, genaamd geautomatiseerde classificatie, mogelijk is met de gecureerde dataset die in deze studie werd gebruikt, maar zo'n succes is grotendeels afhankelijk van de interpretatie van bewijs²⁷. Door de experimenten passend te scheiden, presenteert het manuscript bewijs dat zowel conventionele als voorgestelde hybride architecturen kunnen worden gebrui...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Dataset	Gekeurde mpox-afbeeldingsdataset; 2.280 afbeeldingen voor de belangrijkste binaire benchmark (1.020 mpox en 1.260 Andere)	Primaire training en interne validatiebron
Taakdefinitie	Binaire classificatie voor de kernstudie; aanvullende multiclass en geaugmenteerde samenvattingen afzonderlijk bewaard	Zorgt voor een consistente interpretatie van gerapporteerde statistieken
Programmeeromgeving	Python-gebaseerde notebook workflow	Gegevensbehandeling, modeltraining en plotten
Deep-learning framework	TensorFlow / Keras implementatie gerapporteerd in de ingediende code	Modelontwikkeling en optimalisatie
Afbeeldingshulpmiddelen	ImageDataGenerator met herschalen en augmentatie; plotbibliotheken voor trainingscurven	Voorverwerking, augmentatie en visuele rapportage
Basisarchitecturen	Sequentiële CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121	Vergelijkend benchmarking
Voorgestelde architectuur	Hybride CNN-transformer classificeerder	Belangrijkste methodologische bijdrage
Trainingsinstellingen	Invoergrootte 150 x 150; batchgrootte 32; Adam-optimizer; binaire cross-entropy; 15 epochen gerapporteerd voor geleverde basislijncode	Reproduceerbaarheid van de kernworkflow
Rekenomgeving	GPU-ingeschakelde rekensysteem; hardwaredetails gegeneraliseerd in de beschrijving	Modelversnelling tijdens training