基于优化微调ConvNeXt模型的可解释性猴痘疾病精准分类研究

本研究针对猴痘疾病诊断中存在的症状相似性高、早期检测困难等问题，创新性地采用迁移学习（TL）技术微调ConvNeXt系列模型（包括ConvNeXtSmall和ConvNeXtBase），结合Adafactor优化器，在MSLD（二分类）和MSLD v2.0（多分类）数据集上分别取得99.9%和94%的准确率。通过可解释人工智能（XAI）技术揭示模型决策依据，为临床提供高效、低成本的AI辅助诊断方案，推动医疗AI的实时部署应用。

　　

猴痘病毒自2022年全球爆发以来，因其症状与天花、水痘等高度相似，临床诊断面临巨大挑战。传统检测方法依赖耗时实验室检测，而现有AI模型存在计算资源消耗大、实时性差等问题。如何通过轻量化深度学习技术实现快速精准诊断，成为医疗AI领域亟待突破的难题。

针对这一需求，研究人员开展了一项开创性研究，提出基于迁移学习优化的ConvNeXt模型框架。该研究首次系统评估了ConvNeXt-Tiny、ConvNeXt-Small和ConvNeXt-Base三种架构在猴痘诊断中的性能，通过Adafactor优化策略显著提升模型效率，在保持高精度的同时降低计算成本。相关成果发表于《SLAS Technology》，为传染病快速筛查提供了新范式。

研究采用多阶段技术路线：首先对MSLD数据集进行反射、对比度调整等数据增强，将样本量扩充至3192张；随后采用迁移学习微调预训练ConvNeXt模型，替换末端全连接层并引入L1/L2正则化；最终通过局部可解释模型（LIME）可视化决策关键区域。所有实验均采用k折交叉验证，并统计显著性检验确保结果可靠性。

主要研究结果

1. 二分类性能突破：ConvNeXtSmall在Adafactor优化下达到99.9%准确率，较文献报道最优模型（95.5%）提升4.4个百分点，推理速度达112.8秒/周期。
2. 多分类泛化能力：ConvNeXtBase对6类皮肤病变（健康/猴痘/麻疹等）的识别准确率达94%，F1-score达93.3%，显著优于Xception-CBAM等现有混合架构。
3. 计算效率优势：ConvNeXtTiny参数仅3000万，在保持98.1%准确率同时，训练时间较传统CNN缩短60%。
4. 可解释性验证：LIME热图显示模型聚焦于皮肤病灶边缘特征，与临床诊断依据高度吻合，验证了生物学合理性。

讨论与展望
该研究首次证实ConvNeXt架构在传染病诊断中的双重优势：既保持Transformer类模型的特征提取能力，又具备CNN的轻量化特性。特别值得注意的是，Adafactor优化器的引入解决了医疗场景中模型收敛慢的痛点，其自适应学习率机制使训练周期缩短30%。通过严格的统计检验（ANOVA p<0.05）和交叉验证，研究结果展现出优异的可重复性。

未来工作可沿三个方向拓展：一是整合多模态数据（如病理报告）提升模型鲁棒性；二是开发移动端部署方案，实现基层医疗机构实时筛查；三是探索该框架在结核分枝杆菌检测等其他传染病诊断中的迁移应用。这项研究为AI辅助诊断系统提供了新的技术标准，其"高精度-低耗能-可解释"三位一体的设计理念，对推动智慧医疗发展具有重要指导意义。