要約
世界はまだCOVID-19の蔓延によって引き起こされた被害からの回復を試みていますが、サル痘ウイルスは世界的大流行になるという新たな脅威をもたらします。
サル痘ウイルス自体はCOVID-19のように致命的で伝染性ではありませんが、それでも毎日、多くの国から新しい患者の症例が報告されています。
したがって、適切な予防措置が講じられていないために、世界が別の世界的大流行に直面したとしても、当然のことです。
最近、機械学習(ML)は、癌の検出、腫瘍細胞の識別、COVID-19患者の検出などの画像ベースの診断において大きな可能性を示しています。
したがって、サル痘関連の病気が人間の皮膚に感染したのと同様のアプリケーションを採用して、その画像を取得し、さらに病気の診断に使用することができます。
この機会を考慮して、この作業では、新しく開発された「Monkeypox2022」データセットを紹介します。このデータセットは、公開されており、共有GitHubリポジトリから取得できます。
データセットは、商用目的であっても使用に制限を課さない複数のオープンソースおよびオンラインポータルから画像を収集することによって作成されます。したがって、あらゆるタイプのMLモデルを構築および展開するときに、そのようなデータを使用および配布するためのより安全なパスを提供します。
さらに、2つの異なる研究を含む修正されたVGG16モデルを提案し、評価します:研究1と2。
探索的計算結果は、提案されたモデルが、研究1および2で$ 97 \ pm1.8 \%$(AUC = 97.2)および$ 88 \ pm0.8 \%$(AUC = 0.867)の精度でサル痘患者を識別できることを示しています。
それぞれ。
さらに、ローカル解釈可能モデルにとらわれない説明(LIME)を利用したモデルの予測と特徴抽出について説明し、サル痘ウイルスの発症を特徴付ける特定の特徴についての深い洞察を提供します。
要約(オリジナル)
While the world is still attempting to recover from the damage caused by the broad spread of COVID-19, the Monkeypox virus poses a new threat of becoming a global pandemic. Although the Monkeypox virus itself is not deadly and contagious as COVID-19, still every day, new patients case has been reported from many nations. Therefore, it will be no surprise if the world ever faces another global pandemic due to the lack of proper precautious steps. Recently, Machine learning (ML) has demonstrated huge potential in image-based diagnoses such as cancer detection, tumor cell identification, and COVID-19 patient detection. Therefore, a similar application can be adopted to diagnose the Monkeypox-related disease as it infected the human skin, which image can be acquired and further used in diagnosing the disease. Considering this opportunity, in this work, we introduce a newly developed ‘Monkeypox2022’ dataset that is publicly available to use and can be obtained from our shared GitHub repository. The dataset is created by collecting images from multiple open-source and online portals that do not impose any restrictions on use, even for commercial purposes, hence giving a safer path to use and disseminate such data when constructing and deploying any type of ML model. Further, we propose and evaluate a modified VGG16 model, which includes two distinct studies: Study One and Two. Our exploratory computational results indicate that our suggested model can identify Monkeypox patients with an accuracy of $97\pm1.8\%$ (AUC=97.2) and $88\pm0.8\%$ (AUC=0.867) for Study One and Two, respectively. Additionally, we explain our model’s prediction and feature extraction utilizing Local Interpretable Model-Agnostic Explanations (LIME) help to a deeper insight into specific features that characterize the onset of the Monkeypox virus.
arxiv情報
著者 | Md Manjurul Ahsan,Muhammad Ramiz Uddin,Mithila Farjana,Ahmed Nazmus Sakib,Khondhaker Al Momin,Shahana Akter Luna |
発行日 | 2022-06-04 00:34:15+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google