面向非洲非资源丰富地区的基于AI的离线猴股疫苗筛查工具 Mpox Screen Lite

背景：2024年猴股疫情在非洲尤其严重，克隆1b亚型的出现凸显了该地区诊断能力的关键缺口。本研究旨在开发和验证一种人工智能（AI）驱动的、可在设备上离线运行的猴股筛查工具，旨在低资源环境中使用。方法：我们开发了基于YOLOv8n的深度学习模型，在2700张图像（每类900张猴股、其他皮肤病和正常皮肤，包括合成数据）上进行训练。模型在360张图像上进行验证，在540张图像上进行测试。进行了更大规模的外部验证，使用1500张独立图像。性能指标包括准确率、精确率、召回率、F1得分、灵敏度和特异度。发现：在最终测试集中，模型达到96%的高准确率。对于猴股检测，实现了93%的精确率、97%的召回率和95%的F1得分。对于猴股检测的灵敏度和特异度分别为97%和96%。在更大的外部验证中，性能保持一致，确认了该模型的鲁棒性和可扩展性。解释：这种AI驱动的筛查工具为在资源受限环境中提供快速、准确且可扩展的猴股检测解决方案。其离线功能和在多样化数据集上的高性能表明，特别是在缺乏传统诊断基础设施的地区，具有显著的潜力。