Кастомизированная облегчённая свёрточная нейросеть на базе MobileNetV2 для обнаружения и классификации оспы обезьян

Почему важен мобильный тест на Mpox

Представьте, что вы фотографируете странную сыпь на телефоне и получаете быстрый и надёжный намёк на то, может ли это быть оспа обезьян (Mpox) или что‑то менее серьёзное, например ветряная оспа или корь. В этой работе исследуется компактная форма искусственного интеллекта, способная именно на это. Сжав мощную систему распознавания изображений до модели, которой под силу работать на смартфонах и других простых устройствах, авторы стремятся обеспечить ранний скрининг Mpox в клиниках и сообществах, где нет современных лабораторий.

Трудность раннего распознавания Mpox

Mpox — вирусное заболевание, передающееся при тесном контакте и имеющее симптомы, которые легко перепутать с другими кожными состояниями. У пациентов могут развиваться лихорадка, боли в теле и характерные высыпания, но эти признаки пересекаются с такими болезнями, как корь, ветряная оспа и обычные кожные раздражения. Традиционные тесты, например ПЦР в лаборатории, точны, но медленны, дороги и часто недоступны в отдалённых районах. Этот разрыв заставляет многих медиков и пациентов гадать, что задерживает изоляцию и лечение и даёт вирусу больше времени для распространения.

Обучение компьютеров «читать» изображения кожи

Современные методы ИИ для изображений предлагают способ превратить обычные камеры в простые диагностические помощники. Авторы опираются на популярную «лёгкую» нейросеть MobileNetV2, изначально разработанную для устройств с ограничёнными вычислительными ресурсами. Они используют общедоступный набор из 770 фотографий кожи, разделённых на четыре группы: Mpox, корь, ветряная оспа и здоровая кожа. Чтобы извлечь максимум из относительно небольшого набора, изображения тщательно подготавливают: приводят к общему формату и применяют ненавязчивые преобразования — повороты, отражения и масштабирование. Эти приёмы, известные как аугментация данных, помогают модели учиться распознавать закономерности, не запоминая отдельные снимки.

Более умный и компактный «мозг» для задачи

Вместо создания системы с нуля исследователи «дообучают» существующую модель MobileNetV2, которая уже усвоила общие визуальные признаки на больших наборах изображений. Большинство её слоёв оставляют замороженными и переобучают лишь последние 20 слоёв, чтобы они специализировались на сыпях, связанных с Mpox. Поверх этой основы добавляют лёгкую «голову» принятия решений, включающую глобальное усреднение и dropout — техники, помогающие модели сосредоточиться на ключевых областях изображения и избегать излишней уверенности при наличии шума или фона. Также корректируют способ обучения с учётом ошибок, чтобы все четыре класса заболеваний были представлены справедливо, даже если для некоторых классов примеров меньше.

Насколько хорошо работает компактная модель

После обучения кастомизированная MobileNetV2 — обозначенная как CMBNV2 — показывает впечатляющие результаты. Она правильно определяет класс для 99% тестовых изображений и достигает схожих высоких значений по точности, полноте и комбинированной метрике F1. Проще говоря, модель редко пропускает истинные случаи Mpox и редко даёт ложные срабатывания. Вся модель занимает примерно 8,63 мегабайта, использует умеренный объём памяти и требует сравнительно небольшого числа вычислений, что делает её пригодной для работы в реальном времени на типичных смартфонах и других малых устройствах. Сравнения с более тяжёлыми, сложными сетями и другими компактными архитектурами показывают, что эта настроенная версия MobileNetV2 быстрее и точнее на наборе данных по Mpox.

Что это может значить для повседневного здравоохранения

Для неспециалистов главный вывод заключается в том, что аккуратно спроектированный, дружелюбный к телефону ИИ способен надёжно отличать Mpox от похожих кожных заболеваний по простой фотографии. Хотя это не заменяет врача или лабораторный тест, такой инструмент может служить системой раннего предупреждения, особенно в местах с дефицитом медицинских ресурсов. Направляя людей к своевременным тестам и изоляции и предоставляя медработникам быструю поддержку в поле, модели вроде CMBNV2 могут стать практичной линией защиты от будущих вспышек Mpox и, в перспективе, от других болезней кожи.

Цитирование: Askale, G.T., Yibel, A.B., Munie, A.T. et al. A customized MobileNetV2-based lightweight CNN for monkeypox detection and classification. Sci Rep 16, 5028 (2026). https://doi.org/10.1038/s41598-026-35871-1

Ключевые слова: оспа обезьян, поражения кожи, глубокое обучение, мобильное здравоохранение, классификация изображений