《Scientific Reports》：Hybrid architectures of CNN-ViT and SE-CNN with grad-CAM for monkeypox disease detection
编辑推荐：
在2019冠状病毒病（COVID-19）大流行之后，猴痘病毒（MPV）成为一项重大的全球健康关切，促使世界卫生组织（WHO）宣布其为公共卫生紧急事件。由于猴痘（Mpox）与其他痘病毒（如麻疹和水痘）具有相似性，其准确检测面临挑战。传统的诊断方法通常难以区分这些
在2019冠状病毒病（COVID-19）大流行之后，猴痘病毒（MPV）成为一项重大的全球健康关切，促使世界卫生组织（WHO）宣布其为公共卫生紧急事件。由于猴痘（Mpox）与其他痘病毒（如麻疹和水痘）具有相似性，其准确检测面临挑战。传统的诊断方法通常难以区分这些疾病，因此有必要开发更先进的诊断工具。本研究提出了一种利用两种高效深度学习（DL）模型检测Mpox的新方法：第一种是卷积神经网络-视觉Transformer（CNN-ViT）的混合架构，第二种是挤压激励卷积神经网络（SE-CNN）。这些模型用于将医学图像分为两类：猴痘和其他。所提出的模型应用于包含1140张图像的数据集，并采用微调技术优化模型超参数。对训练图像实施了数据增强技术以最大化模型性能。此外，应用了梯度加权类激活映射（Grad-CAM）可视化技术来解释模型的决策并辅助医生进行临床决策。实验采用准确率、误差矩阵、受试者工作特征（ROC）曲线下面积、召回率、F1分数和精确率来衡量所提出模型的性能。CNN-ViT和SE-CNN的测试准确率分别达到97.80%和96.05%，而CNN-ViT的微平均ROC曲线下面积为97%，SE-CNN为99%。CNN-ViT的加权F1分数、精确率和召回率分别为97.26%、97.33%和97.27%，而SE-CNN则分别为96.04%、96.13%和96.05%。所提出的模型提供了一种快速准确的方法来区分Mpox与其他病例，为医疗专业人员筛查和诊断Mpox提供了有价值的工具。
研究背景与问题
在COVID-19大流行之后，猴痘病毒（MPV）成为全球重大公共卫生威胁，世界卫生组织（WHO）已将其列为公共卫生紧急事件。猴痘（Mpox）是一种人畜共患病毒性疾病，其症状与天花患者相似，但临床严重程度较轻。传统诊断方法主要依赖临床观察、PCR检测和电子显微镜，但由于猴痘、水痘和麻疹等疾病的临床症状高度相似，常常导致误诊。标准卷积神经网络（CNN）虽在医学图像识别中表现优异，但其训练需要大规模数据集，这在数据稀缺或不平衡的场景中受到限制。因此，迫切需要开发能够准确区分这些疾病的高级诊断工具。
研究方法与技术
研究人员提出了两种高效的深度学习（DL）模型用于Mpox检测：一是CNN-ViT混合架构，结合CNN提取局部病灶特征和视觉Transformer（ViT）捕获全局上下文特征；二是挤压激励卷积神经网络（SE-CNN），通过挤压激励（SE）模块聚焦重要特征通道并抑制无用通道。研究使用了来自Kaggle平台的1140张图像数据集，其中包含620张猴痘图像和520张其他图像。研究人员采用了旋转、剪切、缩放和翻转等多种数据增强技术来扩大训练集多样性并防止过拟合。模型超参数通过网格搜索（GridSearch）技术自动调优，CNN-ViT采用Adam优化器，批量大小为64，学习率为0.001，训练50个epoch，包含约8896万个可训练参数；SE-CNN同样采用Adam优化器，批量大小为30，学习率为0.0001，训练50个epoch，包含约567万个可训练参数。此外，研究人员应用了梯度加权类激活映射（Grad-CAM）可视化技术来高亮影响模型决策的图像区域。
研究结果
CNN-ViT模型的准确率和损失曲线
训练准确率逐步上升并在50个epoch后达到97.82%，测试准确率从60%开始上升至97.80%。训练损失值在50个epoch后降至0.0390，测试损失值为0.040。
SE-CNN模型的准确率和损失曲线
训练准确率在50个epoch后达到98.36%，测试准确率从79.39%上升至96.05%。训练损失值为0.0495，测试损失值为0.1574。
CNN-ViT的混淆矩阵
混淆矩阵显示猴痘类别正确预测138例，其他类别正确预测111例。归一化混淆矩阵表明猴痘类别准确率为99%，其他类别为95%。
SE-CNN的混淆矩阵
混淆矩阵显示猴痘类别正确预测122例，其他类别正确预测97例。归一化混淆矩阵显示猴痘类别准确率为98%，其他类别为93%。
CNN-ViT的分类报告
加权平均F1分数为97.26%，精确率为97.33%，召回率为97.27%；宏平均F1分数为97.23%，精确率为97.47%，召回率为97.08%。
SE-CNN的分类报告
加权平均F1分数为96.04%，精确率为96.13%，召回率为96.05%；宏平均精确率为96.28%，召回率为95.83%，F1分数为96.00%。
CNN-ViT的PR和ROC曲线
微平均精确率-召回率（PR）曲线面积为98%，微平均ROC曲线下面积为97%。
SE-CNN的PR和ROC曲线
猴痘类别和其他类别的PR曲线面积分别为0.987和0.989，微平均值为98.6%。两个类别的ROC曲线面积均为0.99（99%），微平均ROC面积为99%。
五折交叉验证
CNN-ViT的平均准确率为97.95%，SE-CNN的平均准确率为96.23%。
讨论部分总结
所提出的CNN-ViT和SE-CNN模型相较于传统诊断方法具有显著优势，能够提取局部和全局特征，并通过数据增强学习了更鲁棒的特征。与传统耗时长且易出错的临床观察和实验室检测相比，这些模型提供了快速准确的替代方案，可作为可靠的筛查工具部署于临床环境，减轻医疗系统负担并改善患者预后。与先前技术的比较表明，所提出模型在准确率上表现优越，这归功于对超参数的精细调优，包括优化算法、池化大小、误差和激活函数、核形状、批量大小、每层节点数以及学习周期数。
研究局限性
研究存在若干局限：第一，数据集较小（1140张图像）且仅来自单一Kaggle来源，可能限制泛化能力；第二，框架仅执行二分类（猴痘与其他），未解决临床上重要的多类区分问题（如水痘和麻疹）；第三，CNN-ViT架构包含近8900万个可训练参数，可能限制在资源受限环境中的部署；第四，缺乏临床验证、统计显著性分析以及对Grad-CAM解释的定量评估。
研究结论
本论文对Mpox诊断领域做出了重要贡献，提供了具有实际开发潜力的高精度模型。研究人员提出了两种混合模型：CNN-ViT和SE-CNN，用于区分猴痘与其他正常图像。CNN-ViT能够提取局部和全局特征，而SE-CNN利用SE模块检测重要特征。采用多种数据增强技术克服过拟合问题，并应用基于Grad-CAM的热力图计算梯度并高亮与预测最相关的区域。实验结果表明，CNN-ViT的训练准确率为97.82%，测试准确率为97.80%，测试损失率为0.040；SE-CNN的测试准确率为96.05%，测试损失率为0.1574，训练损失率为0.0495。CNN-ViT的PR曲线微平均面积为98%，ROC曲线下面积为97%。在实际应用方面，所提出的模型高效且适用于真实临床环境部署，即使训练数据有限也能实现高分类准确率，为临床筛查和诊断Mpox提供了快速准确的工具。未来工作将集中在更大数据集上的性能验证和临床验证，探索不同模型架构和训练策略，集成实时监测系统，应用LIME和Saliency Maps等不同可解释人工智能（XAI）技术，以及探索多类分类问题以区分多种疾病（如水痘和麻疹）。
