面向猴痘诊断的可解释仿生框架：结合 Xception 特征、NGBoost 与非洲秃鹫优化算法
计算机视觉与模式识别
2025-04-25 v1 人工智能
机器学习
图像与视频处理
摘要
近期猴痘的全球传播，特别是在历史上未曾流行的地区，引发了重大的公共卫生担忧。早期准确诊断对于有效的疾病管理与控制至关重要。为此，本研究提出了一种基于深度学习的新型框架，利用迁移学习、降维及先进机器学习技术，从皮肤病变图像中自动检测猴痘。我们利用新开发的猴痘皮肤病变数据集（MSLD），包含猴痘、水痘与麻疹图像，以训练与评估模型。该框架采用 Xception 架构进行深度特征提取，随后使用主成分分析（PCA）进行降维，并使用自然梯度提升（NGBoost）算法进行分类。为优化模型性能与泛化能力，我们引入非洲秃鹫优化算法（AVOA）进行超参数调优，确保对参数空间的高效探索。结果表明，所提出的 AVOA-NGBoost 模型实现了 SOTA 性能，准确率达 97.53%，F1 分数达 97.72%，AUC 达 97.47%。此外，我们使用 Grad-CAM 与 LIME 技术增强了模型可解释性，提供了对决策过程的洞察并突出了影响分类的关键特征。该框架提供了高精度、高效的诊断工具，有望辅助医疗保健提供者进行早期检测与诊断，特别是在资源受限的环境中。
引用
@article{arxiv.2504.17540,
title = {An Explainable Nature-Inspired Framework for Monkeypox Diagnosis: Xception Features Combined with NGBoost and African Vultures Optimization Algorithm},
author = {Ahmadreza Shateri and Negar Nourani and Morteza Dorrigiv and Hamid Nasiri},
journal= {arXiv preprint arXiv:2504.17540},
year = {2025}
}