基于多尺度上下文聚合与特征池化网络的Mpox病灶智能分类模型研究

针对传统Mpox诊断方法耗时长、资源需求高的痛点，研究人员开发了集成MobileNetV2、多尺度上下文聚合器(MSCA)和特征池化模块的轻量化深度学习模型。该模型在四个数据集上实现最高100%的准确率，通过Grad-CAM可视化决策过程，为资源有限地区提供高效诊断方案。

　　

随着Mpox（原猴痘病毒）被世界卫生组织列为国际关注的公共卫生紧急事件，其快速诊断成为全球防控的关键挑战。传统诊断依赖耗时长的实验室检测，而病灶的多样形态——从细小水泡到结痂病变——使得基于常规卷积神经网络(CNN)的自动诊断系统难以捕捉多尺度特征。尤其在医疗资源匮乏地区，亟需兼具高精度与低计算成本的解决方案。

研究人员提出创新性解决方案：通过MobileNetV2轻量化架构集成多尺度上下文聚合器(MSCA)和特征池化模块。MSCA采用扩张卷积(dilated convolution)捕获病灶的跨尺度特征，特征池化模块则通过空间-通道双重注意力机制强化关键特征表达。在MSLDV1/V2、MSID及自建数据集上的测试显示，模型最高达100%准确率，且保持对中端GPU的兼容性。

关键技术包括：1) 多数据集验证策略（含3个公共数据集和自采数据）；2) MSCA模块的级联扩张卷积设计；3) 特征池化块中的自适应全局池化与多层感知机(MLP)组合；4) 采用Grad-CAM和LIME实现决策可视化。

研究结果部分显示：
• 多尺度特征提取：MSCA模块通过不同扩张率的卷积核（3×3至9×9）成功捕捉病灶的细粒度纹理与宏观形态特征
• 跨数据集验证：在MSLDV2数据集实现完美分类，自建数据集达98.8%准确率，证明模型强泛化能力
• 计算效率：参数量控制在MobileNetV2基准的1.2倍内，推理速度满足实时诊断需求

结论表明，该研究首次将多尺度上下文聚合与轻量化架构结合，突破传统CNN对病灶形态变化的感知局限。特征池化模块通过通道加权（channel-wise weighting）使关键特征权重提升37%，而Grad-CAM热图证实模型能准确聚焦于病灶边缘特征区域。这项发表于《Biomedical Signal Processing and Control》的成果，为基层医疗机构提供可解释、低部署门槛的Mpox辅助诊断工具，对2024年疫情应对具有直接应用价值。