MedElevator
Войти в исследования DOI 10.3390/biomimetics8030313
Диагноз обезьяньей болезни с использованием трансфертного обучения и двустворчатого топочного оптимизационного алгоритма.
Аннотация
Вирус, который вызывает обезьянопокс, обнаружен в Африке в течение нескольких лет, и он связан с развитием кожных повреждений. Общественная паника и беспокойство были вызваны смертоносными последствиями вирусных инфекций после пандемии COVID-19. Подходы к быстрому обнаружению имеют решающее значение, поскольку COVID-19 достиг уровня пандемии. Главная цель этого исследования заключается в использовании метаэристической оптимизации для повышения эффективности методов отбора характеристик и классификации для выявления повреждений кожи в качестве показателей обезьянопокс в случае пандемии. Для извлечения необходимых элементов используются методы углубленного обучения и передачи знаний. Сеть GoogLeNet представляет собой систему глубокого обучения, используемую для извлечения объектов. Кроме того, для отбора параметров используется двоичный алгоритм оптимизации с помощью деппера (DTO). Затем для маркировки выбранного набора характеристик используется классификатор деревьев. Для повышения точности классификации используется непрерывная версия алгоритма ДТО. Для сопоставления и сопоставления предлагаемого подхода и других конкурирующих методов используются различные методы оценки с использованием следующих показателей: точность, чувствительность, специфичность, p-Value, N-Value и F1-score. С помощью отбора характеристик и классификации деревьев для принятия решений с использованием предлагаемого подхода достигаются следующие результаты: F1-score 0,92, чувствительность 0,95, специфичность 0,61, p-Value 0,89, и N-Value 0,79. Общая точность предлагаемой методологии после оптимизации параметров классификации деревьев принятия решений составляет 94,35%. Кроме того, для изучения статистического различия между предлагаемой методологией и альтернативными вариантами был применен анализ изменений (ANOVA) и подписанных Wilcoxon званий. Это сопоставление подтвердило уникальность и важность предлагаемого подхода к обнаружению обезьянопокса.
Название и аннотация на языке оригинала
Diagnosis of Monkeypox Disease Using Transfer Learning and Binary Advanced Dipper Throated Optimization Algorithm.
The virus that causes monkeypox has been observed in Africa for several years, and it has been linked to the development of skin lesions. Public panic and anxiety have resulted from the deadly repercussions of virus infections following the COVID-19 pandemic. Rapid detection approaches are crucial since COVID-19 has reached a pandemic level. This study's overarching goal is to use metaheuristic optimization to boost the performance of feature selection and classification methods to identify skin lesions as indicators of monkeypox in the event of a pandemic. Deep learning and transfer learning approaches are used to extract the necessary features. The GoogLeNet network is the deep learning framework used for feature extraction. In addition, a binary implementation of the dipper throated optimization (DTO) algorithm is used for feature selection. The decision tree classifier is then used to label the selected set of features. The decision tree classifier is optimized using the continuous version of the DTO algorithm to improve the classification accuracy. Various evaluation methods are used to compare and contrast the proposed approach and the other competing methods using the following metrics: accuracy, sensitivity, specificity, p-Value, N-Value, and F1-score. Through feature selection and a decision tree classifier, the following results are achieved using the proposed approach; F1-score of 0.92, sensitivity of 0.95, specificity of 0.61, p-Value of 0.89, and N-Value of 0.79. The overall accuracy of the proposed methodology after optimizing the parameters of the decision tree classifier is 94.35%. Furthermore, the analysis of variation (ANOVA) and Wilcoxon signed rank test have been applied to the results to investigate the statistical distinction between the proposed methodology and the alternatives. This comparison verified the uniqueness and importance of the proposed approach to Monkeypox case detection.
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.