使用混合ResNet-ViT和自适应性注意力机制的联合学习来增强Mpox的检测
V Maheskumar1, R Vijayarajeswari2
1Department of Computer Science and Engineering, Paavai Engineering College, Namakkal, Tamil Nadu, India. mahesbset@gmail.com.
Scientific reports
|July 9, 2025
概括
一个新的ResViT-FLBoost模型使用联合学习来准确检测 (Mpox). 这种保护隐私的深度学习方法可以提高诊断能力,特别是在资源有限的环境中.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 麻疹 (Mpox) 构成了全球卫生挑战,原因是其患病率越来越高,症状与其他皮疹疾病重叠.
- 传统的Mpox诊断方法受到潜在的错误诊断,高成本和服务不足地区的可访问性问题所限制.
- 目前用于Mpox诊断的深度学习模型通常需要集中数据,这引发了隐私和可扩展性的担忧.
研究的目的:
- 开发一个保护隐私的,基于联合学习的深度学习框架,以准确检测麻疹.
- 将ResNet和Vision Transformer (ViT) 架构与集成分类器 (XGBoost,LightGBM) 集成,以提高诊断性能.
- 解决 Mpox 诊断的传统和现有的集中式深度学习方法的局限性.
主要方法:
- 开发了一个新的ResViT-FLBoost模型,将ResNet和ViT功能与XGBoost和LightGBM组合分类器结合起来.
- 联邦学习用于在多个医疗保健机构中进行分散的模型培训,确保患者数据的隐私.
- 使用适应性注意力机制,将注意力集中在来自Monkeypox皮肤损伤数据集 (MSLD) 的Monkeypox皮肤损伤图像中的关键特征上.
主要成果:
- 该ResViT-FLBoost模型实现了高检测准确度为98.78%的Monkeypox.
- 与传统和现有方法相比,该框架在精度,回忆和稳定性方面表现出卓越的表现.
- 联合学习有效地实现了协作模型培训,而不会影响敏感的患者健康信息.
结论:
- 该ResViT-FLBoost框架提供了一个可扩展和保护隐私的解决方案来检测麻疹.
- 这种方法特别适合在资源有限的医疗保健机构中部署.
- 集成先进的深度学习架构和联合学习增强了诊断能力,同时保护了患者的隐私.