An Explainable Nature-Inspired Framework for Monkeypox Diagnosis: Xception Features Combined with NGBoost and African Vultures Optimization Algorithm

要約

Monkeypoxの最近の世界的な広がり、特に歴史的に普及していない地域では、重大な公衆衛生上の懸念を引き起こしています。
効果的な疾患の管理と制御には、早期かつ正確な診断が重要です。
これに応じて、この研究では、皮膚病変画像からMonkeypoxを自動検出するための新しい深い学習ベースのフレームワークを提案し、転送学習、次元削減、および高度な機械学習技術の力を活用しています。
モデルを訓練および評価するために、Monkeypox、Chicken、およびはしかの画像を含む、新しく開発されたMonkeypox皮膚病変データセット（MSLD）を利用しています。
提案されたフレームワークは、深い特徴抽出のためのXceptionアーキテクチャを採用し、その後、次元削減のための主成分分析（PCA）、および分類のための自然勾配ブースト（NGBoost）アルゴリズムが続きます。
モデルのパフォーマンスと一般化を最適化するために、ハイパーパラメーターチューニングのためにアフリカンハゲタカの最適化アルゴリズム（AVOA）を紹介し、パラメーター空間の効率的な調査を確保します。
私たちの結果は、提案されたAVOA-NGBoostモデルが97.53％、F1スコア97.72％、AUCの97.47％の精度で最先端のパフォーマンスを達成することを示しています。
さらに、Grad-CAMおよびLIMEテクニックを使用してモデルの解釈可能性を高め、意思決定プロセスに関する洞察を提供し、分類に影響を与える重要な機能を強調します。
このフレームワークは、非常に正確で効率的な診断ツールを提供し、特にリソースに制約のある環境で、早期の検出と診断において医療提供者を支援する可能性があります。

要約(オリジナル)

The recent global spread of monkeypox, particularly in regions where it has not historically been prevalent, has raised significant public health concerns. Early and accurate diagnosis is critical for effective disease management and control. In response, this study proposes a novel deep learning-based framework for the automated detection of monkeypox from skin lesion images, leveraging the power of transfer learning, dimensionality reduction, and advanced machine learning techniques. We utilize the newly developed Monkeypox Skin Lesion Dataset (MSLD), which includes images of monkeypox, chickenpox, and measles, to train and evaluate our models. The proposed framework employs the Xception architecture for deep feature extraction, followed by Principal Component Analysis (PCA) for dimensionality reduction, and the Natural Gradient Boosting (NGBoost) algorithm for classification. To optimize the model’s performance and generalization, we introduce the African Vultures Optimization Algorithm (AVOA) for hyperparameter tuning, ensuring efficient exploration of the parameter space. Our results demonstrate that the proposed AVOA-NGBoost model achieves state-of-the-art performance, with an accuracy of 97.53%, F1-score of 97.72% and an AUC of 97.47%. Additionally, we enhance model interpretability using Grad-CAM and LIME techniques, providing insights into the decision-making process and highlighting key features influencing classification. This framework offers a highly precise and efficient diagnostic tool, potentially aiding healthcare providers in early detection and diagnosis, particularly in resource-constrained environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google