DOI: https://doi.org/10.1038/s41598-026-35871-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41521266
تاريخ النشر: 2026-01-11
المؤلف: Getnet Tigabie Askale وآخرون
الموضوع الرئيسي: أبحاث فيروس الجدري وتفشيه
نظرة عامة
تقدم ورقة البحث دراسة حول جدري القرود (Mpox)، وهو مرض معدٍ ظهر مؤخرًا كقضية صحية عالمية بعد تفشيات كبيرة في عام 2022. يؤكد المؤلفون على أهمية الكشف المبكر، والمراقبة، وتتبع المخالطين في السيطرة على انتشار جدري القرود. لمعالجة قيود طرق الكشف الحالية، تقدم الدراسة نموذج MobileNetV2 (CMBNV2) خفيف الوزن مصمم للكشف المبكر الفعال عن جدري القرود. يتميز هذا النموذج بمصنف معدل مع رأس تسرب تجميع خفيف الوزن ويقوم بضبط آخر 20 طبقة لتعزيز قدرته على التقاط ميزات محددة لجدري القرود مع ضمان ملاءمته للنشر على الأجهزة الطرفية.
يظهر نموذج CMBNV2 المقترح أداءً استثنائيًا، حيث يحقق دقة اختبار إجمالية تبلغ 99% بحجم مضغوط يبلغ 8.63 ميغابايت. استخدم الباحثون مجموعة بيانات صور جلد جدري القرود (MSID) من كاجل، والتي تتكون من 770 صورة عبر أربع فئات. أدت التحسينات الرئيسية، بما في ذلك الضبط الدقيق، وزيادة البيانات، واستخدام الانتروبيا المتقاطعة الموزونة، إلى تحسين كبير في قدرات تعميم النموذج. تختتم الدراسة بخطط لتطوير النموذج إلى تطبيق موبايل لزيادة الوصول، وتهدف إلى تحسين الدقة من خلال دمج مجموعات بيانات أكبر. ستستكشف الأعمال المستقبلية أيضًا توسيع النموذج للكشف عن عدة أمراض جلدية، مما يساهم بشكل أكبر في جهود الصحة العامة ضد الأمراض المعدية.
مقدمة
تناقش مقدمة ورقة البحث ظهور وانتشار جدري القرود (Mpox) عالميًا، وهو عدوى فيروسية كانت تاريخيًا متوطنة في إفريقيا، مما أثار مخاوف صحية عامة كبيرة بعد أكبر تفشٍ له في عام 2022. تصف منظمة الصحة العالمية (WHO) جدري القرود بأعراض مشابهة للجدري، بما في ذلك آلام الظهر، والصداع، وآلام العضلات، وطفح جلدي. تشمل استراتيجيات الوقاية الفعالة ممارسات النظافة الجيدة، والتطعيم، واستخدام معدات الحماية الشخصية، إلى جانب الكشف المبكر والمراقبة القوية لإدارة انتشاره. ومع ذلك، لا يزال تشخيص جدري القرود يمثل تحديًا بسبب تداخل الأعراض مع أمراض أخرى وقيود في الاختبارات التشخيصية الحالية.
لمعالجة هذه التحديات التشخيصية، تدعو الورقة إلى تطوير نظام مستقل قادر على الكشف المبكر عن جدري القرود من خلال صور الجلد، مستفيدًا من خوارزميات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs). لقد أظهرت هذه الخوارزميات وعدًا في تحليل الصور الطبية ويمكن أن تعزز سرعة وكفاءة تشخيص جدري القرود. يتم التأكيد على نشر نماذج التعلم العميق الخفيفة على الأجهزة الطرفية، مثل الهواتف الذكية، كوسيلة لتسهيل الكشف المبكر، وتحسين الوصول، وتوفير تقييمات صحية في الوقت المناسب. ومع ذلك، تواجه عملية دمج مثل هذه النماذج تحديات بسبب الموارد الحاسوبية المحدودة للأجهزة الطرفية، مما يتطلب تطوير خوارزميات فعالة يمكن أن تعمل ضمن هذه القيود.
الطرق
تشمل المنهجية الموضحة في هذا البحث سير عمل منهجي يتضمن الحصول على البيانات، والمعالجة المسبقة، وتقسيم مجموعة البيانات، وتحميل النموذج، والتدريب، والتخصيص. تشير النتائج التجريبية إلى أن بنية MobileNetV2 المدربة مسبقًا تم تقييمها في البداية على مجموعة بيانات غير متوازنة دون زيادة البيانات. حقق النموذج دقة إجمالية تبلغ 84%، مع أداء قوي بشكل خاص على الصور الطبيعية، حيث حقق استرجاعًا بنسبة 94%، ودرجة F1 بنسبة 91%، ودقة بنسبة 88%. على العكس من ذلك، واجه النموذج صعوبة مع فئة جدري الماء، مسجلاً مقاييس أقل: دقة بنسبة 67%، واسترجاع بنسبة 85%، ودرجة F1 بنسبة 75%.
كشفت التحليلات الإضافية، الموضحة في الشكل 7، عن أداء كشف معتدل على مجموعة بيانات جدري القرود، مصحوبة بعلامات على الإفراط في التكيف، والذي يُعزى إلى الحجم المحدود لمجموعة البيانات وعدم التوازن. لتخفيف الإفراط في التكيف وتعزيز أداء النموذج، نفذ الباحث تقنيات زيادة البيانات واستخدم الانتروبيا المتقاطعة الموزونة خلال عملية التدريب. تهدف هذه التعديلات إلى تحسين متانة النموذج ودقته عبر جميع الفئات.
المناقشة
تسلط المناقشة الضوء على التحديات المتعلقة بتطوير نماذج التعلم العميق الخفيفة لكشف جدري القرود، خاصة بالنظر إلى القدرات المتنوعة للأجهزة الطرفية. أظهرت النماذج الحالية، مثل تلك المستندة إلى MobileNetV2 والنهج التجميعي، درجات متفاوتة من النجاح، حيث غالبًا ما يتم التضحية بالدقة من أجل الكفاءة الحاسوبية. على سبيل المثال، بينما حققت النماذج التجميعية دقة تصل إلى 97.78%، كانت كثيفة الاستخدام للموارد الحاسوبية، وعادةً ما تعطي النماذج الخفيفة التقليدية مثل MobileNet الأولوية للكفاءة على حساب الدقة. حاولت التقدمات الأخيرة، بما في ذلك التعلم القائم على الانتباه والنماذج الهجينة، تحقيق توازن بين هذه الجوانب لكنها لا تزال تواجه قيودًا من حيث متطلبات الموارد والأداء على مجموعات البيانات غير المعززة.
يبني نموذج CMBNV2 المقترح على بنية MobileNetV2، مع دمج الضبط الدقيق والطبقات المخصصة لتعزيز قدرات الكشف مع الحفاظ على الكفاءة الحاسوبية. تم تدريب النموذج على مجموعة بيانات متاحة للجمهور وحقق دقة ملحوظة تبلغ 99%، مما يدل على أداء متفوق مقارنةً بالنماذج الخفيفة الأخرى. يُعزى هذا النجاح إلى الاستخدام الفعال لزيادة البيانات، وفقدان الانتروبيا المتقاطعة الموزونة، والتحسينات المعمارية التي تسمح باستخراج ميزات أفضل وتعميم. تؤكد النتائج على إمكانيات نموذج CMBNV2 للتطبيقات الواقعية في الكشف المبكر عن جدري القرود، خاصة في البيئات ذات الموارد المحدودة، مما يمهد الطريق للبحوث المستقبلية لتحسين منهجيات الكشف مع ضمان الكفاءة.
DOI: https://doi.org/10.1038/s41598-026-35871-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41521266
Publication Date: 2026-01-11
Author(s): Getnet Tigabie Askale et al.
Primary Topic: Poxvirus research and outbreaks
Overview
The research paper presents a study on Monkeypox (Mpox), an infectious disease that has recently emerged as a global health concern following significant outbreaks in 2022. The authors emphasize the importance of early detection, surveillance, and contact tracing in controlling Mpox spread. To address the limitations of existing detection methods, the study introduces a customized MobileNetV2 (CMBNV2) lightweight model designed for efficient early detection of Mpox. This model features a modified classifier with a lightweight pooling dropout head and fine-tunes the last 20 layers to enhance its ability to capture Mpox-specific features while ensuring suitability for deployment on edge devices.
The proposed CMBNV2 model demonstrates exceptional performance, achieving an overall testing accuracy of 99% with a compact size of 8.63 MB. The researchers utilized the Monkeypox Skin Image Dataset (MSID) from Kaggle, consisting of 770 images across four categories. Key enhancements, including fine-tuning, data augmentation, and the use of weighted cross-entropy, significantly improved the model’s generalization capabilities. The study concludes with plans to develop the model into a mobile application for broader accessibility and aims to improve accuracy by integrating larger datasets. Future work will also explore the model’s extension to detect multiple skin diseases, further contributing to public health efforts against infectious diseases.
Introduction
The introduction of the research paper discusses the emergence and global spread of Monkeypox (Mpox), a viral infection historically endemic to Africa, which has raised significant public health concerns following its largest outbreak in 2022. The World Health Organization (WHO) characterizes Mpox by symptoms similar to smallpox, including back pain, headache, muscle pain, and skin rashes. Effective prevention strategies encompass good hygiene practices, vaccination, and the use of personal protective equipment, alongside early detection and robust surveillance to manage its spread. However, diagnosing Mpox remains challenging due to symptom overlap with other diseases and limitations in current diagnostic tests.
To address these diagnostic challenges, the paper advocates for the development of an autonomous system capable of early detection of Mpox through skin images, leveraging deep learning algorithms, particularly Convolutional Neural Networks (CNNs). These algorithms have shown promise in medical image analysis and could enhance the speed and efficiency of Mpox diagnosis. The deployment of lightweight deep learning models on edge devices, such as smartphones, is emphasized as a means to facilitate early detection, improve accessibility, and provide timely health assessments. However, the integration of such models faces challenges due to the limited computational resources of edge devices, necessitating the development of efficient algorithms that can operate within these constraints.
Methods
The methodology outlined in this research involves a systematic workflow that includes data acquisition, preprocessing, dataset splitting, model loading, training, and customization. The experimental results indicate that the pre-trained MobileNetV2 architecture was initially evaluated on an imbalanced dataset without data augmentation. The model achieved an overall accuracy of 84%, with particularly strong performance on Normal images, yielding a recall of 94%, an F1-score of 91%, and precision of 88%. Conversely, the model struggled with the Chickenpox class, recording lower metrics: precision at 67%, recall at 85%, and F1-score at 75%.
Further analysis, illustrated in Figure 7, revealed moderate detection performance on the Mpox dataset, accompanied by signs of overfitting, attributed to the dataset’s limited size and imbalance. To mitigate overfitting and enhance model performance, the researcher implemented data augmentation techniques and employed weighted cross-entropy during the training process. These adjustments aim to improve the model’s robustness and accuracy across all classes.
Discussion
The discussion highlights the challenges of developing lightweight deep learning models for Mpox detection, particularly given the diverse hardware capabilities of edge devices. Existing models, such as those based on MobileNetV2 and ensemble approaches, have shown varying degrees of success, with accuracy often compromised for computational efficiency. For instance, while ensemble models achieved up to 97.78% accuracy, they were computationally intensive, and traditional lightweight models like MobileNet typically prioritize efficiency over accuracy. Recent advancements, including attention-based learning and hybrid models, have attempted to balance these aspects but still face limitations in terms of resource requirements and performance on unaugmented datasets.
The proposed CMBNV2 model builds upon the MobileNetV2 architecture, incorporating fine-tuning and custom layers to enhance detection capabilities while maintaining computational efficiency. The model was trained on a publicly available dataset and achieved a remarkable 99% accuracy, demonstrating superior performance compared to other lightweight models. This success is attributed to the effective use of data augmentation, weighted cross-entropy loss, and architectural optimizations that allow for better feature extraction and generalization. The findings underscore the potential of the CMBNV2 model for real-world applications in early Mpox detection, particularly in resource-constrained environments, paving the way for future research to further improve detection methodologies while ensuring efficiency.