[论文解读] A Recent Survey of the Advancements in Deep Learning Techniques for Monkeypox Disease Detection

Saddam Hussain Khan, Rashid Iqbal+1 more|arXiv (Cornell University)|Nov 6, 2023

Poxvirus research and outbreaks被引用 5

一句话总结

本综述对用于皮肤病变图像中自动猴痘检测的深度学习（DL）技术进行了全面分析，评估了卷积神经网络（CNNs）、集成模型、混合架构以及视觉Transformer等方法。该综述识别了临床诊断中的关键挑战，回顾了基准数据集、预处理策略和评估指标，同时指出了DL驱动的猴痘检测系统在研究中的空白与未来方向。

ABSTRACT

Monkeypox (MPox) is a zoonotic infectious disease induced by the MPox Virus, part of the poxviridae orthopoxvirus group initially discovered in Africa and gained global attention in mid-2022 with cases reported outside endemic areas. Symptoms include headaches, chills, fever, smallpox, measles, and chickenpox-like skin manifestations and the WHO officially announced MPox as a global public health pandemic, in July 2022.Traditionally, PCR testing of skin lesions is considered a benchmark for the primary diagnosis by WHO, with symptom management as the primary treatment and antiviral drugs like tecovirimat for severe cases. However, manual analysis within hospitals poses a substantial challenge including the substantial burden on healthcare professionals, limited facilities, availability and fatigue among doctors, and human error during public health emergencies. Therefore, this survey paper provides an extensive and efficient analysis of deep learning (DL) methods for the automatic detection of MPox in skin lesion images. These DL techniques are broadly grouped into categories, including deep CNN, Deep CNNs ensemble, deep hybrid learning, the newly developed, and Vision transformer for diagnosing MPox. Moreover, this study offers a systematic exploration of the evolutionary progression of DL techniques and identifies, and addresses limitations in previous methods while highlighting the valuable contributions and innovation. Additionally, the paper addresses benchmark datasets and their collection from various authentic sources, pre-processing techniques, and evaluation metrics. The survey also briefly delves into emerging concepts, identifies research gaps, limitations, and applications, and outlines challenges in the diagnosis process. This survey furnishes valuable insights into the prospective areas of DL innovative ideas and is anticipated to serve as a path for researchers.

研究动机与目标

• 系统性回顾基于皮肤病变图像的深度学习在自动猴痘检测中的最新进展。
• 分析包括CNNs、集成模型、混合网络和视觉Transformer在内的各种DL架构的演变与性能。
• 评估猴痘检测研究中使用的基准数据集、预处理技术及标准评估指标。
• 识别现有方法的局限性，并突出临床部署和模型泛化方面的研究空白。
• 为基于深度学习的自动化猴痘诊断系统未来研究提供路线图。

提出的方法

• 本综述对同行评审的关于深度学习在猴痘检测中应用的研究进行了系统性文献回顾，重点聚焦于基于图像的诊断。
• 将DL技术分类为：(1) 深层CNNs，(2) 深层CNNs的集成，(3) 深层混合学习模型，(4) 新开发的架构，以及(5) 视觉Transformer。
• 评估先前研究中使用的数据集，包括其来源、规模和标注质量，以评估数据的可靠性与多样性。
• 分析应用于皮肤病变图像的预处理流程，如图像归一化、数据增强和病灶分割技术。
• 比较不同研究中使用的评估指标（如准确率、敏感性、特异性、AUC-ROC和F1-score），以评估模型性能。
• 综合分析模型可解释性、临床可行性以及DL模型在猴痘检测中实际部署的挑战。

实验结果

研究问题

• RQ1 哪些深度学习架构在从皮肤病变图像中检测猴痘方面最为有效？
• RQ2 不同的数据增强和预处理技术如何影响猴痘检测模型的性能？
• RQ3 现有基准数据集在规模、多样性及临床相关性方面存在哪些局限性？
• RQ4 视觉Transformer和混合模型与传统CNNs在皮肤病变分类中的表现如何比较？
• RQ5 在临床猴痘诊断中部署深度学习模型时，关键的研究空白与挑战是什么？

主要发现

• 深层CNNs仍是猴痘检测中最广泛使用的架构，在标准数据集上表现出强劲的基线性能。
• 与单一CNNs相比，集成模型和混合架构在处理类别不平衡问题时表现出更高的准确率和鲁棒性。
• 视觉Transformer作为一种有前景的替代方案，已在大规模数据下实现与传统方法相当的分类性能。
• 本研究识别出该领域缺乏标准化、公开可用且多样化的基准数据集，是主要局限。
• 如数据增强和病灶分割等预处理技术显著提升了模型的泛化能力并减少了过拟合。
• 评估指标在不同研究中差异较大，其中AUC-ROC和F1-score在评估临床环境中模型可靠性方面最具信息量。