A Computer-Aided Feasibility Implementation to Detect Monkeypox from Digital Skin Images with Using Deep Artificial Intelligence Methods
Notice bibliographique
Résumé
A sudden outbreak of Monkeypox disease has been reported recently in up to 70 countries so far and the spreading rate may be seen significantly around the world.The clinical aspects of Monkeypox have been reported that this disease looks like similar in many attributes when comparing some specific skin lesions as Chickenpox, Measles etc.These similarities make Monkeypox diagnosing and detecting difficult for doctors, clinicians or professionals by examining the visual appearance of the lesion on the skin.In addition, there has been a problem with the lack of detailed information about ultimate diagnosing of novel Monkeypox disease.It is also important that by the success of the studies about AI, Machine Learning and Deep Learning models in COVID-19 detection, the community has begun to give importance to detect Monkeypox via comprehensive AI methods from digital skin images.Moreover, in this paper, we develop a larger dataset to study and analyze the feasibility of common Artificial Intelligence based Deep Learning methods on skin images for Monkeypox detection.Our study has shown that Deep Learning models have a great and important success for detecting this disease from digital skin images via modifying/ updating some layers in the Transfer Learning.The other important information can be explained as because of being quite similar in some aspects to the other skin lesions and the lack of the detailed attributes/features of Monkeypox, detecting via specific AI models with Feature extraction process have become a bit difficult, unknown and time consuming in contrast to the Deep Learning models (AlexNet and VGG16 models in MATLAB software).The future aim is to develop a prototype web application and it is important that to improve the accuracy of Monkeypox detection, a larger demographically diverse dataset is required.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».