早期检测人类的Mpox:通过使用机器学习和深度学习模型进行比较研究,并采用集体方法

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 皮肤病学 皮肤病学

背景情况:

• 马波克斯诊断依赖于临床专业知识,这在视觉上类似的条件下可能具有挑战性.
• 早期和准确的Mpox检测对于有效的公共卫生管理和患者的结果至关重要.

研究的目的:

• 通过机器学习 (ML) 和深度学习 (DL) 模型来增强早期的Mpox诊断.
• 开发一个整体模型,整合ML和DL,以提高分类准确性和稳定性.
• 评估各种ML和DL模型在区分Mpox与其他皮肤病变方面的性能.

主要方法:

• 使用了Mopox皮肤损伤数据集v2.0与六个类别:水,牛,Mopox,麻疹,手足口病,和健康的皮肤.
• 评估了四种模型:物流回归,K-最近邻居,视觉变压器 (ViT) 和ConvMixer.
• 开发了一种组合模型,将ViT和ConvMixer的预测结合起来,以提高诊断性能.

主要成果:

• 视觉变压器 (ViT) 模型在Mpox病变检测中实现了93.03%的准确性,超过了传统的ML模型.
• 整体模型进一步提高了诊断性能,在所有损伤类别中显示出平衡的精度和回忆.
• 与现有研究相比,拟议的AI方法在区分Mpox和类似条件方面显示出更高的分类准确性.

结论:

• 将ML和DL模型集成到一个整体框架中,大大提高了Mpox的检测能力.
• 这种人工智能驱动的诊断方法为Mpox诊断提供了可扩展,准确和高效的解决方案,特别是在资源有限的环境中.
• 未来的研究方向包括提高模型的解释性,结合联合学习,并与现实世界的临床数据进行验证.