Shams Nafisa Ali, et al. https://doi.org/10.48550/arXiv.2207.03342
Recopilado por Carlos Cabrera Lozada. Miembro Correspondiente Nacional, ANM puesto 16. ORCID: 0000-0002-3133-5183. 16/11/2022
Resumen
El reciente brote de viruela símica se ha convertido en un problema de salud pública debido a su rápida propagación en más de 40 países fuera de África. Diagnóstico clínico de La viruela del simio en una etapa temprana es desafiante debido a su similitud con varicela y sarampión. En los casos en que la cadena de polimerasa confirmatoria Las pruebas de reacción (PCR) no están fácilmente disponibles, la detección asistida por computadora de Las lesiones de viruela símica podrían ser beneficiosas para la vigilancia y la identificación rápida de casos sospechosos. Los métodos de aprendizaje profundo se han encontrado efectivos en el detección automatizada de lesiones cutáneas, siempre que haya suficientes ejemplos de formación están disponibles. Sin embargo, a partir de ahora, tales conjuntos de datos no están disponibles para el Enfermedad de la viruela símica. En el estudio actual, primero desarrollamos la «Piel de viruela del simio» Lesion Dataset (MSLD)» que consiste en imágenes de lesiones cutáneas de viruela símica, varicela, y sarampión. Las imágenes se recopilan principalmente de sitios web, portales de noticias y Informes de casos de acceso público. El aumento de datos se utiliza para aumentar el tamaño de la muestra y se configura un experimento de validación cruzada de 3 veces. En la próxima paso, varios modelos de aprendizaje profundo previamente entrenados, a saber, VGG-16, ResNet50 y InceptionV3 se emplean para clasificar la viruela símica y otras enfermedades. Un conjunto de los tres modelos también se desarrolla. ResNet50 logra lo mejor en general precisión de $82.96(\pm4.57\%)$, mientras que VGG16 y el sistema de conjunto lograron Precisiones de $81.48(\pm6.87\%)$ y $79.26(\pm1.05\%)$, respectivamente. Un La aplicación web prototipo también se desarrolla como una detección de viruela símica en línea herramienta. Si bien los resultados iniciales en este conjunto de datos limitado son prometedores, un mayor Se requiere un conjunto de datos demográficamente diversos para mejorar aún más el Generalizabilidad de estos modelos.