本文开发了一个 “猴痘皮肤病变数据集”，并使用多种预训练深度学习模型对猴痘及其他疾病进行分类，最终实现了一个在线筛查工具。虽然初步结果有所希望，但需要更大样本的数据集以进一步提高模型的泛化能力。

Jul, 2022

本文研究采用深度学习技术基于皮损图像检测猴痘病毒，通过构建数据集，选择最合适的卷积神经网络并进行优化和量化，在移动设备上实现检测，以期在低收入国家等医疗基础设施薄弱的地区提高病毒的早期筛查率。

May, 2023

介绍了一个名为 MpoxSLDNet（Monkeypox Skin Lesion Detector Network）的卷积神经网络模型，用于早期检测和分类数字图像中的天花病毒皮损和非天花病毒皮损，并相比传统预训练模型如 VGG16、ResNet50 和 DenseNet121 在性能指标上提供了卓越的表现，同时对存储空间的需求也显著减少，从而在资源受限的医疗环境中提出了实用的解决方案。

May, 2024

通过对皮肤病变图像进行深度学习方法的自动检测，本文调查了猴痘的诊断，包括深度卷积神经网络、深度卷积神经网络集成、深度混合学习、新开发的视觉变换器。此外，本文还介绍了基准数据集的收集、预处理技术和评估度量。该调查还简要介绍了新兴概念，指出了研究空白、限制和应用，并概述了诊断过程中的挑战。这项调查提供了对深度学习研究的有价值的见解，预计将为研究人员提供一个路径。

Nov, 2023

通过开发一种名为 Fast-MpoxNet 的超快超轻网络，结合关注点特征融合模块和多辅助损失增强策略以优化模型能力，使用迁移学习和五折交叉验证，实现了 94.26% 的准确率和 0.80 的实用性分数，在猴痘早期病情诊断方面达到 93.65% 的召回率，并开发了一个名为 Mpox-AISM V2 的应用系统，能够在不同实际环境下为公众和个人提供准确而实时的诊断。

Aug, 2023

利用改进的 SE-InceptionV3 模型，本研究通过在 InceptionV3 框架中嵌入 SENet 模块和 L2 正则化的方式提高了猴痘病的检测准确性，通过对 Kaggle 猴痘数据集的测试，模型在测试集上表现出 96.71% 的显著准确度，在区分多样和复杂病例中，超越了传统方法和深度学习模型，验证了模型在精确度、召回率和 F1 得分方面的优势，不仅提供了对高级 CNN 架构在医学诊断中的应用洞察，也为进一步研究模型优化和超参数调整以提高疾病识别打开了研究途径。

Mar, 2024

本研究采用多个基于 CNN 的预训练模型 (包括 VGG-16，VGG-19，Restnet50，Inception-V3，Densnet，Xception，MobileNetV2，Alexnet 和 Lenet) 对猴痘、水痘、麻疹和其他疾病进行分类，得出了它们之间的区别，以便更早地发现新冠疫情之后引起的猴痘病例，填补医疗保健专业人员对这种罕见疾病的认识的空白。

Jan, 2023

人工智能应用于疫情管理和医学图像的识别、分类和诊断方面显示出潜力。针对猴痘（Mpox）全球爆发，HeHealth.ai 团队利用现有工具开发了一种借助人工智能方法通过数字筛查对于患有症状的猴痘进行筛查的测试。

Apr, 2024

通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

May, 2023

该篇论文通过使用 EdgeMixup 数据预处理算法实现了对深度学习模型在诊断皮肤病方面存在的模型偏差进行纠正，并对 Lyme，Tinea Corporis 和 Herpes Zoster 等病变诊断模型的性能进行了比较和分析，其中 EdgeMixup 在减少光之间和暗之间皮肤样本分类准确率差距方面显示出显著的表现优势。

Feb, 2022