Academic Jobs - Home of Higher Ed Logo

Forschungsschwerpunkt: Hossam Magdy Kassem

6 min read96 Ansichten

At a glance

Hossam Magdy Kassem und seine Kollegen haben fünf vorgefertigte CNNs und Vision Transformers auf dem MSLD v2.0-Mpox-Hautläsions-Datensatz getestet und dabei herausgefunden, dass Xception mit 99,92 Prozent Validierungspräzision am besten abschneidet.

a computer keyboard with the word mox on it
Photo by BoliviaInteligente on Unsplash

Ein vor fast einem Jahrzehnt veröffentlichtes konvolutionäres neuronales Netzwerk hat die neueren Transformatorarchitekturen geschlagen, die die heutigen AI-Schlagzeilen bei einer Aufgabe mit direkten Ausbruch-Kontrolleinsätzen füllen: Erkennen von Ebix in Fotografien von Hautläsionen.

Die Analyse, von Hossam Magdy Kassem, Associate Professor in der Abteilung für Elektronik und Elektro-Kommunikationstechnik an der Universität Tanta in Ägypten, in Zusammenarbeit mit Mohamed S. Elhadidy, Abdelrahman T. Elgohr, Ahmed Mousa, Ahmed Safwat und Roayat Ismail Abdelfatah, trainierte fünf weit verbreitete Bildklassifizierer unter identischen Bedingungen. Xception, ein tiefes konvolutionäres Modell, das zuerst von François Chollet im Jahr 2017 beschrieben wurde, erreichte eine Validierungsgenauigkeit von 99,92 Prozent.

Warum jetzt: Ebix hat seit 2022 zwei öffentliche Gesundheitsnotfälle von internationalem Interesse ausgelöst. Der Goldstandard-Test, die Polymerase-Kette-Reaktionsanalyse eines Läsions-Swabs, benötigt eine Laborkapazität, die in den am stärksten betroffenen Regionen knapp bleibt. Ende 2024 wurden ungefähr 37 Prozent der verdächtigen Fälle in der Demokratischen Republik Kongo getestet. Ein präzises telefonbasiertes Triage-Tool könnte Zeit und Fokusressourcen kaufen, aber nur, wenn seine gemeldeten Zahlen etwas bedeuten. In diesem Bereich tun sie es oft nicht, weil Forscher Datensätze auf eine Art und Weise aufteilen, die die Bilder desselben Patienten sowohl in Schulungs- als auch in Testsätzen auftauchen lassen. Der echte Beitrag der neuen Arbeit ist kein anderes Modell.

Das Problem der Vergleichbarkeit, das dieses Papier beschreibt, wird behoben

Offene Datensätze sind klein, oft ein paar hundert Bilder, und Studien routinemäßig Ergebnisse aufblasen, indem sie auf der Bildebene statt auf der Patientenebene aufteilen. Zwei close-ups des gleichen Arms enden dann auf beiden Seiten des Tests und das Modell erscheint besser als es ist. Augmentation macht dies schlimmer, wenn synthetische Kopien einer Läsion in den Bewertungssatz gelangen.

Die Autoren lehnen diese Praxis ab. Sie haben ein stratifiziertes Training, Validierung und Testsystem auf Patientenebene speziell aufgebaut, um Leckage zu verhindern, und sie erklären ihr Ziel unmittelbar: Anstatt Überlegenheit zu behaupten, bietet die Arbeit einen reproduzierbaren Benchmark, der einen fairen Vergleich von Seharchitekturen unter standardisierten Bedingungen unterstützt. dieselbe Konfiguration, Optimierer, Lernrate-Schema, Epochbudget und Augmentationen, die auf jedes Modell angewendet werden.

Ein Datensatz von sechs Klassen von Läsionen, die ähnlich aussehen

Die Experimente verwendeten das öffentliche Mpox Hautverletzungsdataset, Version 2.0, bekannt als MSLD v2.0 und von Ali, S. N. und Kollegen zusammengestellt. Es enthält 755 originelle Bilder von 541 Patienten in sechs Kategorien: Mpox mit 284 Bildern, Hand-Fuß-Mund-Erkrankung mit 161, gesunde Haut mit 114, Hühnerfleisch mit 75, Cowpox mit 66 und Masern mit 55. Die Studie verwendete nur die Bilder selbst, keine klinischen Metadaten oder Textfelder.

Der Benchmark wird im Open-Access-Papier beschriebenBenchmarking von vorbereiteten CNNs und Vision-Transformatoren für Mpox-bezogene Dermatologische Bildklassifizierung auf MSLD v2.0Die Aufnahme von mehreren Hauttönen, Nationalitäten und Läsionstypen durch den Datensatz ist Teil seines Designs: Ein Modell, das nicht mit einer vielfältigen Population umgehen kann, ist nicht nützlich für die Sortierung an den Orten, an denen Ebix sich tatsächlich ausbreitet.

Wie die Modelle getestet wurden

Fünf Wirbelsäule gingen durch die gleiche Pipeline: Xception, ConvNeXt, DenseNet121, MobileNetV2 und Swin Transformer in ihrer kleinen Variante. Alle wurden mit Gewichten initialisiert, die auf ImageNet vorbereitet wurden, einem Standardtrick namens Transfer-Learning. Denken Sie daran, einen Koch einzustellen, der bereits tausend Rezepte beherrscht hat; sie passen sich einer neuen, kleinen Küche schneller an als jemand, der von Grund auf beginnt. Mit nur ein paar hundert Läsionsbildern pro Klasse lädt das Training eines Netzwerks von Null aus zur Erinnerung ein.

Die Bilder wurden auf 224 durch 224 Pixel vergrößert, normalisiert auf das Zero-to-One-Bereich und mit zufälligen Rotationen, Umdrehungen und Helligkeitsanpassungen vergrößert. Modelle wurden für 100 Epochen mit einer Batchgröße von 32 und einem frühen Stopp basierend auf der Validierungsleistung ausgebildet. Fünffache Kreuzvalidierung erzeugte makro-durchschnittliche Genauigkeit, Präzision, Rückruf, F1-Score und Bereich unter der Kurve, insbesondere mit mittlerer Plus- oder Minus-Standardabweichung und 95-Prozent-Zuversichtsintervallen.

Ein nützlicher Weg, um den architektonischen Unterschied darzustellen: Ein konvolutionäres Netzwerk scannt eine Bildfliese nach der Fliese, baut ein Gefühl von Textur und lokaler Form auf. Ein Vision-Transformator beobachtet gleichzeitig Beziehungen über den gesamten Rahmen, was bei subtilen Kontexten helfen kann, aber auch mehr Daten benötigt, um Überschneidungen zu vermeiden.

Graffiti art with text on a wall

Photo by Marija Zaric on Unsplash

Xception gewinnt, aber der interessante Teil ist, wer stummt

Auf der ganzen Platte erzeugte Xception die besten Scores, mit 99,92 Prozent Validierungsgenauigkeit und übereinstimmenden Präzision und Rückrufswerten. Seine tief getrennbaren Convolutions bieten eine starke Feature-Extraktion zu verwaltbaren Kosten, eine Kombination, die die Autoren sowohl effizient als auch skalierbar für den realen Gebrauch nennen.

Die schwachen Finisher zählen mehr als der Sieger.Swin Transformer und MobileNetV2 kämpften darum, zu unsichtbaren Daten zu verallgemeinern.Dieses Ergebnis widerspricht der allgemeinen Annahme, dass Transformatorarchitekturen automatisch das medizinische Bild beherrschen.Auf einem kleinen, unausgewogenen, visuell subtilen Datensatz erwies sich das ältere konvolutionäre Design als zuverlässig.

"Wir haben uns nicht dafür entschieden, einen Gewinner zu krönen", berichtet die Diskussion des führenden Autors. "Der Punkt ist, dem Feld eine reproduzierbare Referenz zu geben, damit Forscher Architekturen unter den gleichen Bedingungen vergleichen können, anstatt eine Überschriftnummer zu verfolgen."

Wo die Fehler auftreten: falsche Negative in der Mpox-Klasse

Das Team ging über die aggregierten Score hinaus und las die Verwirrungsmatrisen. Die am häufigsten auftretenden Fehler waren falsche Negative, die sich unter den Patienten mit Mpox konzentrierten. Hintergrundgeräusche, Bildgebungsartefakte und schlechter Kontrast zwischen einer Läsion und der umgebenden Haut versteckten die Läsionsmargen, auf die sich Modelle verlassen. Dies ist der schlimmste mögliche Fehlermodus für ein Screening-Tool: Ein verpasster Mpox-Fall kann Isolierung und Behandlung verzögern und dem Virus mehr Zeit geben, sich zu bewegen.

Die Autoren erforschen Minderungsstrategien für genau dieses Problem, einschließlich stärkerer Vorverarbeitungs- und Modellinterpretationswerkzeuge, die zeigen, woher eine Klassifizierung kam.

Der Kontext für diese Sorge ist klar genug.Die Weltgesundheitsorganisation hat die Hersteller für eine schnelle Diagnosekapazität gedrängt, und dieEine Berichterstattungdass begrenzte Tests und verspätete Bestätigungen in Afrika unmittelbar zur weiteren Ausbreitung beigetragen haben.

Design-Optionen, die helfen, und einige, die nicht

Zwei Ablation-Studien erschweren die Geschichte. Die erste variierte die Intensität der Erhöhung und fand heraus, dass mehr Erhöhung nicht automatisch besser ist; über einen Punkt hinaus degradierte es die Ergebnisse, anstatt sie zu verbessern. Die zweite testete eine randbewusste Verlustvariante, die darauf abzielte, die Läsionsgrenzen zu schärfen. Wiederum hängt das Ergebnis von den Bedingungen ab. Diese Ergebnisse geben den Forschern konkrete Anweisungen darüber, wann solche Anpassungen sich auszahlen, anstatt sie als universelle Gewinne zu behandeln.

Eine skeptische Sicht der 99 Prozent

Ein separater, leakage-aware Benchmark mit der gleichen Familie von öffentlichen Daten macht die Vorsicht konkret.PLOS EIN, angewandte strenge Trennung auf Patientenebene und erreichte eine durchschnittliche Genauigkeit von etwa 0,87 für sein bestes Ensemble, mit beträchtlicher Fold-to-Fold-Variabilität.

Ein unabhängiger Experte stellte die Sorge so aus: "Eine 99.92-Prozent-Validierungsrate sagt Ihnen, dass das Modell die Muster dieses Datensatzes gelernt hat. Es sagt Ihnen nicht, wie es sich auf einem Telefonfoto verhält, das bei schlechter Beleuchtung in einer Korridorklinik aufgenommen wurde.

Es verwendete nur einen öffentlichen Datensatz, keine klinischen Metadaten, und die Autoren beschreiben die Arbeit als gute Praxis, die von ISO 14971 und IEC 62304 inspiriert wurde, ohne die formelle Einhaltung der Vorschriften zu beanspruchen.

text

Photo by Marcel Strauß on Unsplash

Was das für den nächsten Ausbruch bedeutet

Während der nächsten fünf bis zehn Jahre ist der Wert dieser Arbeit weniger bei Xception als bei der Methode, die es modelliert.Wenn das nächste Hautausschlagvirus auftaucht, werden die Forscher erneut der Versuchung ausgesetzt sein, blendende Zahlen auf winzigen, laufenden Datensätzen zu melden.Ein Benchmark mit Trennung auf Patientenebene, Unsicherheitsintervallen und klinischer Fehleranalyse gibt Bewertern eine Vorlage, um zu fragen: War der Test fair und schadet der Versagenmodus den Menschen?

Kassems Gruppe hat auch an leichten, aufmerksamkeitsstärkten Varianten gearbeitet, die für die Telemedizin und ressourcengeschränkte Einstellungen geeignet sind, eine offensichtliche Erweiterung dieser Linie.Die sofortige Abholung für Kliniker und öffentliche Gesundheitsteams ist einfacher: Die automatisierte Läsionsklassifizierung verbessert sich wirklich bei der Unterscheidung von Ebix von Hühnerlöckchen, Masern und anderen Nachahmungsmitteln, aber der Abstand zwischen einem starken Validierungsscore und einem zuverlässigen Feldwerkzeug wird immer noch in Fehleranalysen, externen Kohorten und Zurückhaltung gemessen.

  • Mpox-Klassifizierung
  • Vision-Transformationsmodelle
  • konvolutionelle neuronale Netze
  • Deep Learning
  • medizinische Bildgebung
Porträt von Jarrod Kanizay
Über den Autor

Jarrod KanizayAutor ansehen

Academic Jobs In House Author

Visionary leader transforming academic recruitment with 20+ years in higher education.

Die Anerkennung :

Diskussionen

Sort von:

Seien Sie der Erste, der diesen Artikel kommentiert!

Du bist

Sie werden gebeten, sich anzumelden, bevor Ihr Kommentar veröffentlicht wird.

Browse nach Fakultät

Browse nach Thema

Frequently Asked Questions

🤖Was fand Hossam Magdy Kassems Benchmark heraus?

Das Team evaluierte fünf vorgefertigte Deep-Learning-Modelle auf dem MSLD v2.0-Datensatz und stellte fest, dass Xception mit einer Validierungspräzision von 99,92 Prozent am besten abschnitt. MobileNetV2 und der Swin-Transformer zeigten eine schwächere Generalisierung auf unbekannte Daten.

📊Welche Modelle wurden im Studium verglichen?

Xception, ConvNeXt, DenseNet121, MobileNetV2 und Swin-Transformer (Tiny) wurden alle unter derselben Konfiguration trainiert: identische Eingabegröße, Optimierer, Lernrateplan, Epochen und Augmentierungen.

🦠Was ist das MSLD v2.0-Datensatz?

MSLD v2.0 ist der Mpox Skin Lesion Dataset Version 2.0, eine öffentliche Sammlung von 755 Originalbildern von 541 Patienten, die sechs Klassen abdecken: Mpox, Windpocken, Kuhpocken, Masern, Hand-Fuß-Mund-Krankheit und gesunde Haut.

🔬Was ist Transfer Learning in diesem Kontext?

Transfer Learning bedeutet, dass man von einem auf ImageNet vorgefertigten Modell startet und es anhand von Läsionsbildern feinjustiert. Es funktioniert wie ein Koch, der bereits viele Rezepte kennt und sich auf eine kleine neue Küche schneller einstellen kann als ein Anfänger, was wichtig ist, wenn jede Krankheitsklasse nur Dutzende Bilder hat.

⚠️Warum sind falsch negative Ergebnisse bei der mpox-Klassifizierung so wichtig?

Die Fehleranalyse der Studie ergab, dass falsch negative Ergebnisse vor allem bei Mpox-Patienten konzentriert waren. Ein übersehener Mpox-Fall kann die Isolation und Behandlung verzögern und das Übertragungsrisiko erhöhen, weshalb die Autoren für Betriebspunkte plädieren, die falsch negative Ergebnisse minimieren, auch wenn dies auf Kosten einiger falsch positiver Ergebnisse geht.

💡Wie unterscheidet sich ein konvolutionelles neuronales Netzwerk von einem Visionstransformer?

Ein konvolutionelles Netzwerk scannt ein Bild schrittweise und entwickelt ein lokales Verständnis von Textur und Form. Ein Visionstransformer beachtet die Beziehungen über den gesamten Rahmen hinweg, was Kontext hinzufügt, aber bei kleinen Datensätzen wie MSLD v2.0 überanpassen kann.

🧪Welche methodische Verbesserung führt dieser Benchmark ein?

Der Artikel verwendet patientenbasierte stratifizierte Trainings-, Validierungs- und Testaufteilungen, um Datenlecks zu vermeiden, bei denen mehrere Bilder derselben Person auf beiden Seiten der Bewertung landen. Viele frühere mpox-Studien haben die Ergebnisse durch eine Aufteilung auf Bildenebene aufgebläht.

🏥Ist das Modell für den klinischen Einsatz bereit?

Nein. Die Studie verwendete ein öffentliches Datenset und keine klinischen Metadaten, und die Autoren beschreiben gute Praxisgrundsätze, die von ISO 14971 und IEC 62304 inspiriert sind, ohne eine regulatorische Konformität zu beanspruchen. Es handelt sich um einen Entscheidungshilfen-Benchmark und kein lizenziertes Diagnosewerkzeug.

📱Wie zuverlässig ist eine Validierungs-Genauigkeit von 99,92 Prozent?

Es zeigt, dass das Modell die Muster des Datensatzes gut erlernt hat, aber Vorsicht ist geboten. Ein separates, auf Leckagen überprüftes Benchmarking mit ähnlichen öffentlichen Daten ergab eine mittlere Genauigkeit von etwa 0,87 mit großer Variabilität von einem Durchgang zum nächsten, was zeigt, dass die Leistung stark vom Evaluierungsprotokoll abhängt.

🌍Wo wurde diese Forschung durchgeführt?

Der entsprechende Autor, Hossam Magdy Kassem, ist Associate Professor an der Tanta University in Ägypten, mit einem PhD von der Egypt-Japan University of Science and Technology und vorheriger Postdoktorarbeit an der Shenzhen University. Der vollständige Artikel ist erhältlich unter Results in Engineering.