Deep Learning-Based Diagnostic Model for Automated Detection of Monkeypox: Introducing MonkeypoxNet
Notice bibliographique
Résumé
The swift and accurate detection of the Monkeypox virus (MPV) is integral to effective patient management and disease control.Current artificial intelligence (AI) methodologies in computer-aided diagnosis (CAD) have shown limitations in their predictive performance for MPV.Addressing this, we have developed a novel deep learning (DL) network, named MonkeypoxNet, that excels in the detection of MPV from skin images.Initially, a dataset comprising skin images, differentiated into normal and MPV-specific classes, was assembled.Image pre-processing was then conducted employing contrast-limited adaptive histogram equalization (CLAHE), which enhanced the colour and texture attributes of the images.Subsequently, a novel integration of genetic algorithm with particle swarm optimization (GA-PSO) was devised to extract and select the most relevant features from the pre-processed dataset.These features were then utilized to train our custom deep convolutional neural network (CDCNN) model.The CDCNN model was subsequently used for prediction, distinguishing between MPV and normal disease classes by comparing test features with the trained model.Remarkably, the proposed MonkeypoxNet demonstrated an accuracy of 99.06%, sensitivity of 98.66%, specificity of 99.11%, and an F-measure of 99.67%.Comparative analysis with existing methodologies confirmed that our proposed approach outperforms in all evaluated metrics.The successful implementation of MonkeypoxNet, underscored by its exceptional accuracy and efficiency, holds the potential to revolutionize early detection and diagnosis of monkeypox virus infections.This could ultimately lead to improved patient outcomes and facilitate timely interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».