Approche d'apprentissage profond ajustée par hyper-paramètres pour une détection efficace de la maladie du monkeypox chez l'homme

Le monkeypox humain est un virus très inhabituel qui peut dévaster la société. L'identification et le diagnostic précoces sont essentiels pour traiter et gérer efficacement une maladie. La détection de la maladie du monkeypox chez l'homme à l'aide de modèles d'apprentissage profond a récemment suscité un intérêt croissant. Le virus qui cause le monkeypox peut être transmis aux personnes, en faisant une maladie zoonotique. La dernière épidémie de monkeypox a touché plus de 40 nations. Les approches assistées par ordinateur utilisant des techniques d'apprentissage profond pour identifier automatiquement les lésions cutanées se sont révélées être une alternative viable à la lumière de la prolifération rapide et des problèmes croissants d'approvisionnement en tests PCR (réaction en chaîne par polymérase) dans des lieux où la disponibilité est limitée. Dans cette recherche, nous introduisons un modèle d'apprentissage profond pour détecter le monkeypox humain qui est précis et résilient en ajustant ses hyper-paramètres. Nous avons utilisé un mélange de réseaux de neurones convolutionnels et de stratégies d'apprentissage par transfert pour extraire des caractéristiques à partir de photos médicales et les identifier correctement. Nous avons également utilisé des stratégies d'optimisation des hyper-paramètres pour affiner le modèle et obtenir les meilleurs résultats possibles. Cet article propose une méthode basée sur le modèle Yolov5 pour distinguer les lésions de varicelle et de monkeypox sur des images de la peau. Le jeu de données d'images de lésions cutanées Roboflow a été soumis à trois différentes stratégies d'ajustement des hyper-paramètres : l’optimiseur SDG, l’optimiseur bayésien et l’apprentissage sans oubli. Le modèle proposé a obtenu la plus haute précision de classification (98,18 %) lorsqu'il a été appliqué à des photos de lésions cutanées de monkeypox. Nos résultats montrent que le modèle suggéré surpasse les meilleurs modèles actuels et peut être utilisé dans des milieux cliniques pour la détection et le diagnostic réels de la maladie humaine du monkeypox.