基于深度神经网络的基于metaheuristics优化的集体,用于Mpox疾病检测
Sohaib Asif1, Ming Zhao1, Fengxiao Tang1
1School of Computer Science and Engineering, Central South University, Changsha, China.
概括
一个新的基于metaheuristics优化的加权平均整体模型 (MO-WAE) 准确地使用转移学习CNN和粒子群优化来检测Mpox疾病. 这种方法显著提高了Mpox检测的诊断准确性.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 流行病学 流行病学
背景情况:
- 全球Mpox病例不断增加,需要快速检测和隔离.
- 目前的Mpox检测方法经常使用CNN和组合技术.
- 基于元启发式的组合方法用于Mpox检测尚未得到充分探索.
研究的目的:
- 为Mpox检测提出一种基于优化的新型元启发学加权平均组合模型 (MO-WAE).
- 通过优化组合方法,提高Mpox诊断的准确性.
- 通过可解释性技术,提高对Mopox症状局部化的理解.
主要方法:
- 培训了三个基于转移学习 (TL) 的CNN (DenseNet201,MobileNet,DenseNet169).
- 实施加权平均组合技术与粒子群集优化 (PSO) 进行模型加权.
- 使用梯度类激活映射 (Grad-CAM) 进行模型预测可解释性.
主要成果:
- 在公开的Mpox数据集上,MO-WAE模型实现了97.78%的准确性.
- 拟议的整体模型的表现优于单个TL-CNN模型.
- 在同一数据集上,性能超过了现有最先进的 (SOTA) 方法.
结论:
- MO-WAE模型在准确的Mpox检测方面表现出高效率.
- 超启发式优化显著提高了疾病检测中的整体模型性能.
- 这种方法为通过改进的诊断来打击Mpox疫情提供了有希望的工具.
