集成深度学习模型用于基于SVM的变压器模型准确分类病变的深度学习模型.
Elsaid Md Abdelrahim1,2, Hasan Hashim3, El-Sayed Atlam2,3
1Computer Science Department, Science College, Northern Border University (NBU), Arar 73213, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|December 17, 2024
概括
这项研究开发了一种用于检测水的整体模型,在分类皮肤病变方面达到95.45%的准确性. 该模型有助于区分和类似疾病,支持公共卫生工作.
科学领域:
- 医疗信息学 医疗信息学
- 计算机视觉 计算机视觉
- 流行病学 流行病学
背景情况:
- 在特有地区以外的麻疹 (MPX) 爆发需要快速诊断工具.
- 从临床上来说,区分MPX与类似的皮肤病,如水和麻疹是具有挑战性的.
- 为这项研究策划了麻疹皮肤损伤数据集 (MSLD),包含来自162名患者的770张图像,分为四个类别:MPX,麻疹,水和正常.
研究的目的:
- 开发和评估一个整体机器学习模型,用于准确地分类麻疹皮肤病变.
- 为了应对早期临床区分和其他外血性疾病的挑战.
- 创建一个用于加强疾病监测和疫情管理的计算工具.
主要方法:
- 通过整合变压器模型和支持矢量机 (SVM) 分类器,创建了一个整体模型.
- 七个卷积神经网络 (CNN) 架构被评估用于特征提取.
- 在SVM分类之前,选择了四个表现最好的CNN (EfficientNetB0,ResNet50,MobileNet,Xception) 来进行特征提取,随后进行连接和优化.
主要成果:
- 拟议的整体模型实现了高诊断准确率95.45%的水检测.
- 该模型显示出出色的性能指标,包括精度 (95.51%),回忆 (95.45%) 和F1得分 (95.46%).
- 这些结果强调了该模型在准确识别数据集中的麻疹病变方面的有效性.
结论:
- 混合组合框架表现出强大的诊断性能来检测水.
- 该模型的高精度和计算效率表明其作为一种有价值的临床决策支持工具的潜力.
- 这种方法可以有助于改善疫情期间的疾病监测和管理策略.


