基于截断MobileNetV2稀疏视觉图注意力模型（TMSVGA）的猴痘疾病可解释分类研究

　　本文提出创新的TMSVGA模型（Truncated MobileNetV2 Sparse Vision Graph Attention），通过融合卷积神经网络（CNN）与视觉图神经网络（ViGNN）优势，结合挤压激励（SE）机制与Optuna超参数优化，有效解决猴痘（mpox）皮肤病变不规则模式分类难题。模型在MSID数据集上实现96.79%准确率，为移动端医疗诊断提供高精度可解释解决方案。

　　

相关研究（Related Works）

随着猴痘病例增加及其视觉诊断挑战，多种人工智能方法被开发以提升诊断准确性。本节综述了机器学习算法、卷积神经网络（CNN）和新兴视觉变换器（ViT）在应对类似分类挑战中的适应性应用。表1总结了本节所回顾的研究。人工智能技术在猴痘疾病分类中的应用可分为三类：传统机器学习方法、基于CNN的深度学习方法以及近期兴起的ViT方法。

材料与方法（Materials and Methodology）

本节详细介绍了用于开发和评估猴痘分类TMSVGA模型的材料与方法。首先描述了所使用的数据集，包括数据收集、预处理和增强策略以解决潜在类别不平衡问题。我们的模型使用猴痘皮肤图像数据集（MSID）进行严格评估，该数据集包含多种病变特征以确保全面模型训练。数据集划分旨在平衡训练、验证和测试集，支持模型泛化能力评估。

结果与讨论（Results and Discussion）

所提出模型的性能在各种配置和数据集上进行了广泛评估。本节深入分析结果，比较了截断版和完整版MobileNetV2主干网络，以及不同数量Grapher模块的网络架构。通过考察关键指标和计算效率，我们全面阐述了模型能力、最优配置以及在猴痘分类中的局限性。

结论（Conclusion）

本研究通过引入TMSVGA模型，应对了猴痘可靠诊断工具的迫切需求。这一创新方法有效解决了猴痘皮肤病变模式复杂性和多样性的挑战。利用视觉图神经网络（ViGNN）和卷积神经网络（CNN）的优势，结合局部特征提取与基于图的稀疏注意力机制，精准捕获全局关系以实现精确病变识别。挤压激励（SE）模块的集成进一步增强了模型区分诊断关键区域的能力。