Mpox 检测进阶：通过合成数据实现快速疫情响应

利用计算机视觉快速发展疾病检测模型对于应对医疗紧急情况（如疫情或生物恐怖事件）至关重要。传统数据收集方法在这些情境下往往不够迅速，亟需创新方法以从最小数据集中快速、可靠地生成模型。本研究引入了一种新方法，通过构建仅使用合成数据的综合计算机视觉模型来检测 Mpox 病灶。最初，这些模型代表着 Mpox 病灶的多样化合成图像，涵盖面部、背部、胸部、腿部、颈部和手臂等不同身体部位，以及符合 Fitzpatrick 鳞比例的不同肤色（健康、棕色、深色）。随后，我们使用该合成数据集训练和测试了视觉模型，以评估扩散模型在生成高质量训练数据方面的效果，以及其对视觉模型医学图像识别性能的影响。结果令人鼓舞；视觉模型达到了 97% 的准确率，Mpox 病例的精确率和召回率分别为 96%，正常病例和其他皮肤病例也表现出类似的高水平指标，显示示其能够正确识别真阳性并最大程度降低假阳性。该模型在 Mpox 病例中达到了 96% 的 F1 分数，在正常和其他皮肤病例中达到了 98%，反映出精确率和召回率之间平衡的关系，从而确保其预测在可靠性和鲁棒性方面的表现。我们提出的 SynthVision 方法表明，未来在医疗紧急情况中，可仅凭最小数据输入开发出准确的计算机视觉模型具有潜力。