这篇文档属于类型a，是一篇关于猴痘检测的原创性研究论文。以下是针对该研究的学术报告：

作者与机构
本研究由土耳其Konya Technical University电气与电子工程系的Ahmet Solak独立完成，发表于期刊Signal, Image and Video Processing 2025年第19卷，论文标题为《Ensemble-Based Hybrid Deep Learning for Monkeypox Detection: Merging Instance-Normalized Transformers with CNNs for Enhanced Diagnostic Precision》。

学术背景
猴痘（Monkeypox）是一种人畜共患病毒性疾病，近年来在非洲以外地区快速传播，被世界卫生组织列为全球公共卫生紧急事件。传统诊断方法如PCR（聚合酶链式反应）和ELISA（酶联免疫吸附试验）依赖实验室基础设施，在资源匮乏地区难以普及。因此，开发基于人工智能（AI）的非侵入性快速诊断工具成为迫切需求。

本研究旨在结合卷积神经网络（CNN, Convolutional Neural Network）和视觉Transformer（ViT, Vision Transformer）的优势，提出一种混合深度学习框架，通过皮肤病变图像实现高精度猴痘检测。核心创新点包括：
1. 实例归一化视觉Transformer（IN-ViT）：用实例归一化（Instance Normalization）替代传统ViT中的层归一化（Layer Normalization），以稳定图像间的统计波动。
2. 特征级融合策略：将IN-ViT提取的全局上下文特征与ResNet-50的局部特征通过多层感知机（MLP, Multilayer Perceptron）融合，提升分类鲁棒性。

研究流程
1. 数据集与预处理
- 数据来源：使用Kaggle公开的猴痘皮肤病变数据集（MSLD），包含102张猴痘和126张非猴痘（水痘和麻疹）图像。
- 数据增强：通过色调调整、旋转（±15°）、平移、噪声添加等方法将数据集扩增至3192张图像（1428张猴痘，1764张非猴痘），图像尺寸统一为72×72×3（RGB）。
- 数据划分：按70:10:20分为训练集、验证集和测试集。

1. 模型架构

   • IN-ViT设计：
     
     • 将图像分割为固定大小的非重叠块（Patch），通过线性投影生成嵌入向量。
       
     • 在Transformer编码器中用实例归一化（对每个Token独立归一化）替代层归一化，公式为：
       [ \hat{x} = \frac{x - \mu{in}}{\sigma{in} + \epsilon}, \quad \mu{in} = \frac{1}{d}\sum{i=1}^d x_i ]
       
     • 优势：减少光照、肤色等个体差异对特征的影响。
       
   • 混合集成模型：
     
     • 将IN-ViT的全局注意力特征与ResNet-50的局部特征（通过残差块提取）拼接，输入MLP进行分类。
       

2. 实验设置

   • 基准模型：对比VGG-16、VGG-19、ResNet-50、标准ViT和IN-ViT的性能。
     
   • 训练参数：批量大小32，学习率1e-3，训练100轮，使用Tesla T4 GPU。
     
   • 评估指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1-score）及混淆矩阵。
     

3. 性能验证

   • 消融实验：分析实例归一化和特征融合对性能的贡献。
     
   • 可视化：通过Grad-CAM生成热图，验证模型对病变区域的聚焦能力。
     

主要结果
1. 模型性能
- IN-ViT + ResNet-50集成模型在测试集上达到96.26%准确率、96.35%精确率、96.26%召回率和96.24% F1分数，较基准模型（如标准ViT的91.11%）提升显著。
- 实例归一化使ViT的准确率提升2.18%（从91.11%至93.29%）。
- 实时推理速度：单张图像处理耗时约30毫秒（Tesla T4 GPU）。

1. 错误分析

   • 混淆矩阵显示，集成模型仅误分类4例猴痘（假阴性）和20例非猴痘（假阳性），显著低于其他模型。
     

2. 可视化验证

   • Grad-CAM热图表明，集成模型能准确定位猴痘病变的边界区域，而标准ViT可能关注无关背景。
     

结论与价值
1. 科学价值
- 首次将实例归一化引入ViT，解决了皮肤病变图像中个体差异导致的特征不稳定问题。
- 提出特征级融合策略，结合CNN的局部感知和Transformer的全局建模能力，为医学图像分类提供新范式。

1. 应用价值

   • 模型可部署于远程医疗或即时检测设备，适用于资源匮乏地区的猴痘筛查。
     
   • 推理速度快（30ms/图像），满足临床实时性需求。
     

2. 局限性

   • 数据集规模有限，需通过联邦学习（Federated Learning）扩展多中心数据验证。
     
   • 未涵盖所有皮肤病变亚型（如疱疹），未来需探索多模态数据融合。
     

研究亮点
1. 方法创新：IN-ViT通过实例归一化提升ViT在医学图像中的泛化能力。
2. 性能突破：96.26%的准确率为当前猴痘图像检测的最高水平（较文献中95.5%的EfficientNetV2提升0.76%）。
3. 临床适配性：模型轻量化设计支持边缘设备部署，符合实际应用场景需求。

其他有价值内容
- 作者计划未来研究包括：
- 联邦学习框架下的跨机构模型优化。
- 生成对抗网络（GAN）合成数据以解决类别不平衡问题。
- 多中心临床试验验证模型泛化性。

此研究为AI驱动的传染病诊断提供了可推广的技术路线，兼具学术前瞻性和工程实践意义。