Hyperparameter-gesteuertes Deep-Learning-Verfahren zur effektiven Erkennung von menschlicher Affenpockenkrankheit

Die menschliche Affenpocken sind ein sehr ungewöhnliches Virus, das die Gesellschaft verwüsten kann. Eine frühzeitige Identifizierung und Diagnose sind entscheidend, um eine Krankheit effektiv zu behandeln und zu managen. Die Erkennung der menschlichen Affenpockenkrankheit mithilfe von Deep-Learning-Modellen hat in letzter Zeit zunehmende Aufmerksamkeit erregt. Das Virus, das Affenpocken verursacht, kann auf Menschen übertragen werden, wodurch es eine zoonotische Erkrankung macht. Die jüngste Affenpocken-Epidemie hat über 40 Nationen getroffen. Computerunterstützte Ansätze, die Deep-Learning-Techniken verwenden, um Hautläsionen automatisch zu identifizieren, haben sich als praktikale Alternative angesichts der raschen Ausbreitung und der ständig wachsenden Probleme bei der Bereitstellung von PCR (Polymerase-Kettenreaktion)-Tests in Regionen mit begrenzter Verfügbarkeit erwiesen. In dieser Forschung stellen wir ein Deep-Learning-Modell zur Erkennung von Affenpocken bei Menschen vor, das genau und robust ist, indem wir seine Hyperparameter abstimmen. Wir haben eine Mischung aus Convolutional Neural Networks und Transfer-Learning-Strategien eingesetzt, um Merkmale aus medizinischen Fotos zu extrahieren und sie korrekt zu identifizieren. Außerdem haben wir Strategien zur Optimierung der Hyperparameter verwendet, um das Modell anzupassen und die bestmöglichen Ergebnisse zu erzielen. Dieses Papier schlägt eine auf dem Yolov5-Modell basierende Methode zur Unterscheidung zwischen Masern und Affenpockenläsionen auf Hautbildern vor. Der Roboflow-Datensatz für Hautläsionen wurde drei verschiedenen Hyperparameter-Abstimmungsstrategien unterzogen: dem SDG-Optimizer, dem Bayesian-Optimizer und Learning without Forgetting. Das vorgeschlagene Modell hatte die höchste Klassifikationsgenauigkeit (98,18%), als es auf Fotos von Affenpocken-Hautläsionen angewendet wurde. Unsere Ergebnisse zeigen, dass das vorgeschlagene Modell die derzeit besten Modelle übertrifft und in klinischen Einstellungen zur tatsächlichen Erkennung und Diagnose von menschlicher Affenpockenkrankheit eingesetzt werden kann.