At a glance
Hossam Magdy Kassem e colegas avaliaram cinco CNNs pré-treinadas e transformadores de visão no conjunto de dados de lesões de pele mpox MSLD v2.0, encontrando Xception como o melhor com 99,92 por cento de precisão de validação.
Uma rede neural convolucionária lançada há quase uma década derrotou as arquiteturas de transformadores mais recentes que preenchem os títulos atuais de IA em uma tarefa com apostas diretas de controle de surtos: reconhecer ecox em fotografias de lesões da pele.
A análise, de Hossam Magdy Kassem, professor associado do Departamento de Eletrônica e Engenharia de Comunicações Elétricas da Universidade de Tanta, no Egito, trabalhando com Mohamed S. Elhadidy, Abdelrahman T. Elgohr, Ahmed Mousa, Ahmed Safwat e Roayat Ismail Abdelfatah, treinou cinco classificadores de imagem amplamente utilizados em condições idênticas. Xception, um modelo de convolução profunda descrito pela primeira vez por François Chollet em 2017, atingiu 99,92% de precisão de validação.
Por que agora: a Echox desencadeou duas emergências de saúde pública de preocupação internacional desde 2022. O teste padrão de ouro, a análise de reação em cadeia de polimerase de um swab de lesão, precisa de capacidade de laboratório que permanece escassa nas regiões mais afetadas. No final de 2024, cerca de 37% dos casos suspeitos na República Democrática do Congo tinham sido testados. Uma ferramenta de triagem precisa baseada em telefone poderia comprar tempo e recursos de foco, mas apenas se seus números relatados significarem algo. Neste campo, eles muitas vezes não, porque os pesquisadores dividem conjuntos de dados de maneiras que permitem que as imagens do mesmo paciente apareçam em ambos os conjuntos de treinamento e teste. A contribuição real do novo trabalho não é outro modelo. É um piso confiável para comparar modelos em
O problema da comparabilidade que este documento propõe para corrigir
Os conjuntos de dados públicos são pequenos, muitas vezes algumas centenas de imagens, e os estudos inflamam rotineiramente os resultados dividindo-se no nível da imagem em vez do nível do paciente. Duas proximidades do mesmo braço terminam em ambos os lados do teste, e o modelo parece melhor do que é.
Os autores rejeitam essa prática. Eles construíram um treinamento estratificado, validação e esquema de teste no nível do paciente especificamente para prevenir vazamentos, e eles declaram seu objetivo abertamente: em vez de reivindicar superioridade, o trabalho fornece um benchmark reprodutível que suporta uma comparação justa de arquiteturas de visão em condições padronizadas. A mesma configuração, otimizador, cronograma de taxa de aprendizagem, orçamento de época e aumentos aplicados a cada modelo.
Um conjunto de dados de seis classes de lesões que se parecem
Os experimentos usaram o conjunto de dados de lesões da pele do Mpox público, versão 2.0, conhecido como MSLD v2.0 e montado por Ali, S. N. e colegas. Ele contém 755 imagens originais de 541 pacientes em seis categorias: Mpox com 284 imagens, Doença das Mãos e dos Pés e da Boca com 161, Pele Saudável com 114, Framboesa com 75, Framboesa com 66, e Measles com 55.
O referencial é descrito no documento de acesso abertoBenchmarking de CNNs pré-treinados e Transformadores de Visão para a Classificação de Imagem Dermatológica relacionada ao Mpox no MSLD v2.0A inclusão do conjunto de dados de múltiplos tons de pele, nacionalidades e tipos de lesão é parte de seu design: um modelo que não pode lidar com uma população diversificada não é útil para triagem nos lugares onde o ecox realmente se espalha.
Como os modelos foram testados
Cinco vertebrados passaram pelo mesmo pipeline: Xception, ConvNeXt, DenseNet121, MobileNetV2 e Swin Transformer em sua variante Tiny. Todos foram inicializados com pesos pré-treinados na ImageNet, um truque padrão chamado aprendizado de transferência. Pense nisso como contratar um cozinheiro que já dominou mil receitas; eles se adaptam a uma nova, pequena cozinha mais rapidamente do que alguém começando do zero. Com apenas algumas centenas de imagens de lesão por aula, treinar uma rede a partir do zero convida a memorização.
As imagens foram redimensionadas para 224 por 224 pixels, normalizadas para a faixa zero-a-um, e aumentadas com rotações aleatórias, reviravoltas e ajustes de brilho. Modelos treinados para 100 épocas com um tamanho de lote de 32 e parada precoce com base no desempenho de validação. A validação cruzada de cinco vezes produziu precisão macro-média, precisão, recall, pontuação F1 e área sob a curva, particularmente com desvio padrão médio mais ou menos e intervalos de confiança de 95 por cento.
Uma maneira útil de visualizar a diferença arquitetônica: uma rede convolucional escaneia uma telha de imagem por telha, criando uma sensação de textura e forma local. Um transformador de visão atende a relações em todo o quadro de uma só vez, o que pode ajudar com contexto sutil, mas também precisa de mais dados para evitar a sobreposição.
Photo by Marija Zaric on Unsplash
Xception ganha, mas a parte interessante é quem tropeça
Em todo o painel, a Xception produziu as melhores pontuações, com 99,92 por cento de precisão de validação e valores de precisão e recall correspondentes. Suas convoluções separáveis em profundidade oferecem forte extração de recursos a um custo gerenciável, uma combinação que os autores chamam de eficiente e escalável para uso no mundo real.
Os acabadores mais fracos importam mais do que o vencedor.Swin Transformer e MobileNetV2 lutaram para generalizar para dados invisíveis.Este resultado vai contra a suposição comum de que as arquiteturas de transformadores dominam automaticamente a imagem médica.Em um conjunto de dados pequeno, desequilibrado e visualmente sutil, o design convolucional mais antigo provou ser mais confiável.
"Nós não nos propusemos a coroar um vencedor", a discussão do autor principal transmite. "O ponto é dar ao campo uma referência reproduzível para que os pesquisadores possam comparar arquiteturas nas mesmas condições em vez de perseguir um número de cabeçalho."
Onde ocorrem os erros: falsos negativos na classe Mpox
A equipe ultrapassou as pontuações agregadas e leu as matrizes de confusão. Os erros mais consequentes foram os negativos falsos concentrados entre os pacientes de Mpox. Ruído de fundo, artefatos de imagem e contraste pobre entre uma lesão e a pele circundante ocultaram as margens de lesão em que os modelos confiam. Este é o pior modo de falha possível para uma ferramenta de rastreamento: um caso de Mpox perdido pode atrasar o isolamento e o tratamento e dar ao vírus mais tempo para se mover.
Os autores exploram estratégias de mitigação para exatamente este problema, incluindo ferramentas mais fortes de pré-processamento e interpretação de modelo que revelam de onde uma classificação veio.
O contexto para esta preocupação é bastante claro.A Organização Mundial de Saúde pressionou os fabricantes para a capacidade de diagnóstico rápido, e oUm relatórioque os testes limitados e a confirmação tardia na África contribuíram diretamente para a continuação da disseminação.
Escolhas de design que ajudam, e algumas que não
Dois estudos de ablação complicam a história. O primeiro variou a intensidade do aumento e descobriu que mais aumento não é automaticamente melhor; além de um ponto, ele degradou os resultados em vez de melhorá-los. O segundo testou uma variante de perda consciente da borda destinada a agilizar os limites da lesão. Mais uma vez, o resultado dependia de condições. Esses resultados dão aos pesquisadores orientações concretas sobre quando tais ajustes pagam, em vez de tratá-los como ganhos universais.
Uma visão cética dos 99%
Um benchmark separado, consciente de vazamento usando a mesma família de dados públicos torna a precaução concreta.PLOS ONE, aplicou separação rigorosa de nível do paciente e alcançou uma precisão média em torno de 0,87 para o seu melhor conjunto, com variabilidade substancial de dobragem a dobragem. tais lacunas não são evidência de que uma equipe está errada; eles mostram o quanto um único número depende do protocolo de avaliação por trás dele.
Um especialista independente colocou a preocupação desta forma: “Uma contagem de validação de 99,92 por cento diz que o modelo aprendeu os padrões deste conjunto de dados.
Os próprios limites do artigo estão alinhados com essa humildade. usou apenas um conjunto de dados público, sem metadados clínicos, e os autores descrevem o trabalho como uma boa prática inspirada na ISO 14971 e na IEC 62304 sem reivindicar a conformidade regulamentar formal.
Photo by Marcel Strauß on Unsplash
O que isso significa para o próximo surto
Durante os próximos cinco a dez anos, o valor deste trabalho é menos sobre o Xception do que sobre o método que ele modela.Quando o próximo vírus causador de erupções cutâneas surgir, os pesquisadores voltarão a enfrentar a tentação de relatar números deslumbrantes em pequenos conjuntos de dados vazantes.Um benchmark com separação no nível do paciente, intervalos de incerteza e análise de erro clínico dá aos revisores um modelo para perguntar: o teste foi justo e o modo de falha prejudica as pessoas?
O grupo de Kassem também trabalhou em variantes leves, reforçadas por atenção adequadas para a telemedicina e configurações limitadas por recursos, uma extensão óbvia desta linha.A tomada imediata para clínicos e equipes de saúde pública é mais simples: a classificação automática de lesões está verdadeiramente melhorando na distinção do vácuo da varicela, sarampo e outros mimicos, mas a distância entre uma forte pontuação de validação e uma ferramenta de campo confiável ainda é medida em análises de erros, coortes externas e restrição.
- classificação de mpox
- transformadores de visão
- redes neurais convolucionais
- aprendizado profundo
- imagens médicas

