基于混合深度学习框架的Mpox早期图像检测方法研究及其在传染病防控中的应用

本研究针对Mpox（猴痘）早期检测的临床需求，创新性地提出结合MobileNetV2特征提取与LightGBM分类器的混合深度学习框架。通过Kullback-Leibler散度验证数据增强可靠性，模型准确率达91.49%，MCC值0.83，为资源受限地区提供了比PCR更便捷的检测方案，发表于《Healthcare Analytics》。

　　

近年来，新发传染病对全球公共卫生构成严峻挑战。Mpox（猴痘）作为一种人畜共患病，自1970年首次人类病例报道以来，在2022-2023年引发全球疫情暴发。尽管PCR检测是当前金标准，但其对专业设备的依赖和污染风险限制了在资源匮乏地区的应用。与此同时，基于医学影像的深度学习技术虽展现出潜力，但面临数据量不足、模型解释性差等瓶颈。

针对这些挑战，国内研究人员在《Healthcare Analytics》发表了一项突破性研究。团队开发了融合深度学习和机器学习的混合框架，通过系统验证解决了数据增强可能引入偏差的关键问题。研究创新性地采用MobileNetV2进行特征提取，结合LightGBM分类器，在保持高精度的同时显著降低计算成本，为基层医疗机构提供了可行的智能化解决方案。

研究主要采用三项关键技术：1）基于旋转、翻转等参数的数据增强策略生成400张平衡数据集；2）使用Kullback-Leibler散度量化验证原始数据与增强数据的分布一致性；3）构建包含DenseNet、Inception等7种预训练模型的对比实验体系。所有模型均在224×224×3分辨率图像上训练，采用ReLU激活函数。

【数据特征分析】
研究使用公开数据集（228张图像，含102例Mpox和126例其他皮肤病），通过20%的测试集验证显示，数据增强后KL散度趋近于零，证实增强图像未引入分布偏差。

【模型性能比较】
MobileNetV2+LightGBM组合表现最优，准确率91.49%，召回率95.24%，特别在MCC指标（0.83）上显著优于传统CNN模型，证明其对不平衡数据的鲁棒性。对比实验中，DenseNet-201等复杂模型反因过拟合导致性能下降。

【跨研究对比】
相较于既往文献报道的ResNet-50（82.96%）和EfficientNetb3（87%），新框架将准确率提升3-8个百分点。研究同时发现，单纯增加模型复杂度（如201层的DenseNet）反而会使F1-score降低4.2%。

这项研究通过严谨的方法学设计解决了医学AI领域的两个核心问题：数据稀缺条件下的模型泛化能力，以及计算资源限制下的部署可行性。提出的混合框架不仅为Mpox的早期筛查提供了新工具，其验证范式更为其他传染病影像诊断研究树立了标杆。值得注意的是，研究团队特别强调了未来需结合XAI（可解释人工智能）技术以增强临床可信度，这为AI辅助诊断的临床转化指明了方向。