DOI: https://doi.org/10.1038/s41598-025-12216-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40998853
تاريخ النشر: 2025-09-25
المؤلف: Magdi A. A. Mousa وآخرون
الموضوع الرئيسي: أبحاث فيروس الجدري وتفشيه
نظرة عامة
تتناول هذه الورقة البحثية الحاجة الملحة لأدوات تشخيص فعالة لجدري القرود، خاصة في البيئات ذات الموارد المحدودة حيث قد تكون الطرق التقليدية مثل PCR غير متاحة. يقترح المؤلفون بنية تعلم عميق مبتكرة تعتمد على EfficientNetB7، معززة بآليات انتباه منسقة لتحسين استخراج الميزات ودقة التصنيف لجدري القرود وغيرها من الحالات الجلدية. باستخدام مجموعة بيانات آفات جلد جدري القرود (MSLD v2.0)، يتضمن النموذج تقنيات معالجة مسبقة مختلفة وطرق كشف الحواف، محققًا مقاييس أداء ملحوظة: دقة 99.99%، دقة 99.8%، استرجاع 99.9%، ودرجة F1 تبلغ 99.85%، متجاوزًا بشكل كبير المعايير السابقة.
تشمل المساهمات الرئيسية للدراسة الدمج الاستراتيجي لآلية الانتباه المنسقة مع دوال خسارة قائمة على كشف الحواف، مما يعزز تحديد الميزات المكانية وحساسية الحدود – وهو أمر حاسم لتمييز الحالات الجلدية المتشابهة بصريًا. لا يقلل هذا التحسين المزدوج من الإيجابيات الكاذبة فحسب، بل يحسن أيضًا من قابلية تفسير النموذج وموثوقيته السريرية. تشير النتائج إلى أن الإطار المقترح ليس فقط حلاً متطورًا لاكتشاف جدري القرود، بل هو أيضًا مناسب للتطبيقات في الوقت الحقيقي في الإعدادات السريرية والطب عن بُعد، مما يجعله أداة عملية للمراقبة الوبائية والتشخيص. تؤكد النتائج على إمكانيات أدوات التشخيص المدفوعة بالذكاء الاصطناعي في تحويل الممارسات الجلدية، خاصة في البيئات ذات الموارد المنخفضة.
طرق
تستخدم المنهجية الموضحة في هذا البحث سير عمل منهجي يهدف إلى تعزيز دقة تصنيف جدري القرود وأمراض الجلد من خلال سلسلة من الخطوات المحددة جيدًا: معالجة البيانات المسبقة، تدريب النموذج، التقييم، والتفسير. باستخدام مجموعة بيانات آفات جلد جدري القرود (MSLD v2.0)، تنفذ الدراسة تقنيات معالجة مسبقة مثل التحجيم، التطبيع، وزيادة البيانات، والتي تشمل تعديلات على اتجاهات الصور والدقة، بالإضافة إلى إضافة ضوضاء مسيطر عليها. لاستخراج الميزات، يتم استخدام نموذج EfficientNetB0، معززًا بآلية انتباه منسقة للتركيز على المناطق السريرية الهامة، مما يحسن من كل من تحديد المواقع وتصنيف الميزات الجلدية.
لزيادة تحسين أداء التصنيف، تدمج المنهجية تقنيات كشف الحواف في دالة الخسارة، مستكشفة طرق تقليدية ومتقدمة متنوعة، بما في ذلك تقنيات Sobel وPrewitt وGaussian. يجمع النموذج النهائي بين كشف الحواف باستخدام Sobel مع كل من هياكل MobileNet وEfficientNetB0، مع تحسين الأوزان لتحقيق توازن بين الدقة والمرونة والكفاءة الحسابية. هذه المقاربة الهجينة، التي تستفيد من الشبكات العصبية التلافيفية المعززة بالانتباه (CNNs) والمحولات، تعزز بشكل كبير من استخراج الميزات ودقة التصنيف للعديد من الأمراض الجلدية. لا يعزز الإطار المقترح موثوقية التشخيص لاكتشاف جدري القرود فحسب، بل يضع أيضًا الأساس للتقدم المستقبلي في النشر في الوقت الحقيقي والتكامل السريري المدعوم بالذكاء الاصطناعي.
نتائج
تقيم نتائج هذه الدراسة نماذج تعلم عميق متنوعة لاكتشاف جدري القرود وأمراض الجلد، مع التركيز على مقاييس مثل الدقة، الدقة، الاسترجاع، ودرجة F1، جنبًا إلى جنب مع تحليل مصفوفة الارتباك لموثوقية التصنيف. حقق النموذج المقترح، EfficientNetB7 المعزز بآلية انتباه منسقة، دقة استثنائية تبلغ 99.99%، متجاوزًا بشكل كبير النماذج السابقة، والتي شملت أطر التعلم الجماعي ونماذج محسّنة تعتمد على Yolov5 بدقة تتراوح بين 93.39% إلى 98.81%. من الجدير بالذكر أن دمج آليات الانتباه في النموذج المقترح أدى إلى تحسين استخراج الميزات، مما أسفر عن تحسين الاسترجاع ودرجة F1، وبالتالي تقليل الإيجابيات الكاذبة – وهو عامل حاسم في التشخيص الطبي.
تؤسس الدراسة معيارًا جديدًا للتشخيص الجلدي المدعوم بالذكاء الاصطناعي، موضحة أن دمج متغيرات EfficientNet مع الانتباه المنسق ودوال خسارة حساسة للحواف يحسن بشكل كبير من أداء التصنيف. أظهر النموذج أداءً متسقًا عبر مجموعات بيانات متنوعة، مما يتناقض مع الدراسات السابقة التي واجهت تحديات في التعميم. القيم المبلغ عنها لـ ROC وAUC التي تقترب من 1.0 تعزز من فعالية النموذج في اكتشاف جدري القرود. بينما تظهر المنهجية المقترحة وعودًا كبيرة للنشر في الإعدادات السريرية والطب عن بُعد، فإنها تقدم أيضًا تحديات مثل زيادة التعقيد الحسابي والحاجة إلى التحقق على مجموعات بيانات أكبر وأكثر تنوعًا لضمان التعميم عبر مختلف السكان وظروف التصوير. يجب أن تتناول الأبحاث المستقبلية هذه القيود لتعزيز قوة أدوات التشخيص المدفوعة بالذكاء الاصطناعي في التطبيقات الواقعية.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم الكبير في استخدام منهجيات التعلم العميق لتشخيص جدري القرود من خلال صور آفات الجلد. أظهرت دراسات متنوعة فعالية تقنيات التعلم الجماعي وتقنيات التحسين، مع مساهمات ملحوظة تشمل نموذج التعلم الجماعي لـ Pramanik وآخرين الذي حقق دقة 93.39%، ونموذج CNN المعزز من قبل Eliwa وآخرين الذي وصل إلى دقة 95.3%. أكد Dahiya وآخرون على تحسين المعلمات الفائقة، محققين دقة ملحوظة تبلغ 98.18%، بينما قدم Abdellatef وآخرون نموذج CanDark، مما يضمن خصوصية البيانات بدقة تشخيص تبلغ 98.81%. يناقش القسم أيضًا تطوير مجموعة بيانات آفات جلد Mpox (MSLD)، التي تطورت لتشمل حالات جلدية متنوعة، مما يعزز قوة نماذج التصنيف.
تتكون مجموعة بيانات MSLD v2.0، التي تضم 755 صورة عبر ست فئات، من تحقق سريري صارم، مما يضمن قابليتها للتطبيق في السيناريوهات الواقعية. تم استخدام تقنيات معالجة مسبقة، بما في ذلك التطبيع وزيادة البيانات، لتعزيز أداء النموذج والتعميم. تستخدم نماذج التصنيف التي تم مناقشتها، مثل EfficientNet وMobileNet V2 وResNet-50 وXception، هياكل متقدمة لتحسين استخراج الميزات والكفاءة الحسابية. تم تصميم هذه النماذج لتسهيل التشخيص السريع والدقيق، مما يبرز أهمية التعلم العميق في معالجة التحديات الصحية العامة التي تطرحها جدري القرود والأمراض المماثلة.
DOI: https://doi.org/10.1038/s41598-025-12216-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40998853
Publication Date: 2025-09-25
Author(s): Magdi A. A. Mousa et al.
Primary Topic: Poxvirus research and outbreaks
Overview
This research paper addresses the pressing need for effective diagnostic tools for monkeypox, particularly in resource-limited settings where conventional methods like PCR may be inaccessible. The authors propose an innovative deep learning architecture based on EfficientNetB7, enhanced with coordinate attention mechanisms to improve feature extraction and classification accuracy for monkeypox and other dermatological conditions. Utilizing the Monkeypox Skin Lesion Dataset (MSLD v2.0), the model incorporates various preprocessing techniques and edge detection methods, achieving remarkable performance metrics: 99.99% accuracy, 99.8% precision, 99.9% recall, and a 99.85% F1-score, significantly surpassing previous benchmarks.
The study’s key contributions include the strategic integration of coordinate attention with edge detection-based loss functions, which enhances spatial feature localization and boundary sensitivity—critical for distinguishing visually similar skin conditions. This dual enhancement not only reduces false negatives but also improves the model’s interpretability and clinical reliability. The results indicate that the proposed framework is not only a state-of-the-art solution for monkeypox detection but also suitable for real-time applications in clinical and telemedicine settings, thereby positioning it as a practical tool for epidemiological monitoring and diagnosis. The findings underscore the potential of AI-driven diagnostic tools to transform dermatological practices, particularly in low-resource environments.
Methods
The methodology outlined in this research employs a systematic workflow aimed at enhancing the classification accuracy of Monkeypox and skin diseases through a series of well-defined steps: data preprocessing, model training, evaluation, and interpretation. Utilizing the Mpox Skin Lesion Dataset (MSLD v2.0), the study implements preprocessing techniques such as scaling, normalization, and data augmentation, which includes modifications to image orientations and resolutions, as well as the addition of controlled noise. For feature extraction, the EfficientNetB0 model is employed, augmented with a coordinate attention mechanism to focus on clinically significant regions, thereby improving both localization and classification of dermatological features.
To further enhance classification performance, the methodology integrates edge detection techniques into the loss function, exploring various traditional and advanced methods, including Sobel, Prewitt, and Gaussian-based techniques. The final model combines Sobel edge detection with both MobileNet and EfficientNetB0 architectures, optimizing weightings to achieve a balance between precision, resilience, and computational efficiency. This hybrid approach, which leverages attention-enhanced convolutional neural networks (CNNs) and transformers, significantly boosts feature extraction and classification accuracy for multiple dermatological diseases. The proposed framework not only enhances diagnostic reliability for Monkeypox detection but also sets the stage for future advancements in real-time deployment and AI-assisted clinical integration.
Results
The results of this study evaluate various deep learning models for the detection of monkeypox and skin diseases, focusing on metrics such as accuracy, precision, recall, and F1-score, alongside confusion matrix analysis for classification reliability. The proposed model, EfficientNetB7 enhanced with coordinate attention, achieved an exceptional accuracy of 99.99%, significantly surpassing previous models, which included ensemble learning frameworks and optimized Yolov5-based models with accuracies ranging from 93.39% to 98.81%. Notably, the incorporation of attention mechanisms in the proposed model led to improved feature extraction, resulting in enhanced recall and F1-score, thereby minimizing false negatives—a critical factor in medical diagnostics.
The study establishes a new benchmark for AI-assisted dermatological diagnosis, demonstrating that the integration of EfficientNet variants with coordinate attention and edge-aware loss functions substantially improves classification performance. The model exhibited consistent performance across various datasets, contrasting with prior studies that faced challenges with generalization. The reported ROC and AUC values nearing 1.0 further validate the model’s efficacy in monkeypox detection. While the proposed methodology shows considerable promise for deployment in clinical settings and telemedicine, it also presents challenges such as increased computational complexity and the need for validation on larger, diverse datasets to ensure generalizability across different populations and imaging conditions. Future research should address these limitations to enhance the robustness of AI-driven diagnostic tools in real-world applications.
Discussion
The discussion section of the paper highlights significant advancements in the use of deep learning methodologies for the diagnosis of monkeypox through skin lesion images. Various studies have demonstrated the effectiveness of ensemble learning and optimization techniques, with notable contributions including Pramanik et al.’s ensemble model achieving 93.39% accuracy, and Eliwa et al.’s CNN enhanced by the Grey Wolf Optimiser reaching 95.3% accuracy. Dahiya et al. emphasized hyper-parameter optimization, achieving a remarkable 98.18% accuracy, while Abdellatef et al. introduced the CanDark model, ensuring data privacy with a diagnostic accuracy of 98.81%. The section also discusses the development of the Mpox Skin Lesion Dataset (MSLD), which has evolved to include diverse skin conditions, enhancing the robustness of classification models.
The MSLD v2.0 dataset, comprising 755 images across six categories, has undergone rigorous clinical validation, ensuring its applicability in real-world scenarios. Preprocessing techniques, including normalization and data augmentation, have been employed to enhance model performance and generalization. The classification models discussed, such as EfficientNet, MobileNet V2, ResNet-50, and Xception, utilize advanced architectures to optimize feature extraction and computational efficiency. These models are designed to facilitate rapid and accurate diagnosis, underscoring the importance of deep learning in addressing public health challenges posed by monkeypox and similar diseases.