低数据环境下的狂犬病诊断：数据增强与迁移学习影响的比较研究
计算机视觉与模式识别
2026-04-23 v1 人工智能
机器学习
摘要
狂犬病在许多非洲和亚洲国家仍然是一个主要的公共卫生问题，准确的诊断对于有效的流行病学监测至关重要。金标准诊断方法严重依赖荧光显微镜，需要熟练的实验室人员来准确解释结果。这种专业知识通常很稀缺，特别是在年度样本量较少的地区。本文提出了一种自动化、AI 驱动的诊断系统，旨在应对这些挑战。我们开发了一个稳健的流程，通过迁移学习利用四种深度学习架构进行荧光图像分析：EfficientNetB0、EfficientNetB2、VGG16 和 Vision Transformer (ViTB16)。我们评估了三种不同的数据增强策略，以在包含 155 张显微图像（123 张阳性，32 张阴性）的数据集上增强模型的泛化能力。我们的结果表明，TrivialAugmentWide 是最有效的数据增强技术，因为它在提高模型稳健性的同时保留了关键的荧光模式。EfficientNetB0 模型利用几何与颜色增强，并通过分层 3 折交叉验证进行选择，在裁剪图像上实现了最佳分类性能。尽管存在类别不平衡和数据集规模有限带来的限制，这项工作证实了深度学习用于狂犬病诊断自动化的可行性。所提出的方法能够实现快速可靠的检测，并具有进一步优化的巨大潜力。我们部署了一个在线工具以方便实际访问，为未来的医学影像应用建立了框架。本研究强调了优化的深度学习模型在变革狂犬病诊断和改善公共卫生结果方面的潜力。
引用
@article{arxiv.2604.19823,
title = {Rabies diagnosis in low-data settings: A comparative study on the impact of data augmentation and transfer learning},
author = {Khalil Akremi and Mariem Handous and Zied Bouslama and Farah Bassalah and Maryem Jebali and Mariem Hanachi and Ines Abdeljaoued-Tej},
journal= {arXiv preprint arXiv:2604.19823},
year = {2026}
}
备注
This work has been accepted for publication in ICMI IEEE Conference (04/2026)