CNN-CBAM əsaslı ASD üz təsviri təsnifatı, uşaqların üz təsvirlərindən çıxarılan vizual xüsusiyyətləri konvolyusion neyron şəbəkələri ilə emal edən və Convolutional Block Attention Module (CBAM) vasitəsilə informativ kanal və məkan xüsusiyyətlərini daha yüksək çəki ilə təmsil edən dərin öyrənmə yanaşmasıdır. Bu tədqiqat üç orijinal CNN arxitekturasını və iki əvvəlcədən öyrədilmiş arxitekturanı —YOLO8 və ResNet18— CBAM ilə birləşdirərək ASD və non-ASD təsvirlərinin ikili təsnifatını müqayisə etmişdir. Mənbə verilənlər dəstində 2536 təlim, 300 test və 100 doğrulama təsviri vardır; modelin qiymətləndirilməsində beşqat çarpaz doğrulama, accuracy, F1-score, Matthews Correlation Coefficient (MCC), False Negative Rate (FNR), False Positive Rate (FPR) və AUC meyarlarından istifadə edilmişdir.

Mənbə Cədvəl 1-ə görə ən yüksək accuracy və AUC dəyərləri YOLO8-CBAM modelində əldə edilmişdir: accuracy 0,776, F1-score 0,726, MCC 0,600, FNR 0,297, FPR 0,063 və AUC 0,912. Bununla belə, F1-score baxımından ən yüksək dəyər ResNet18-CBAM modelinə məxsusdur: 0,792. Buna görə tədqiqat YOLO8-CBAM-ı ümumilikdə ən güclü model kimi şərh etsə də, müxtəlif performans meyarları eyni modeli mütləq şəkildə üstün göstərmir.

Model qərarlarının vizual şərhi üçün Gradient-weighted Class Activation Mapping (Grad-CAM) istifadə edilmişdir. Mənbəyə görə orijinal CNN modellərinin diqqət xəritələri yanaq, burun, çənə və alın kimi daha geniş sahələrə yayıldığı halda, əvvəlcədən öyrədilmiş YOLO8-CBAM modeli göz və ağız bölgələrinə, ResNet18-CBAM isə əsasən ağız bölgəsinə fokuslanmışdır. Bu istilik xəritələri təsvirin hansı sahələrinin təsnifat balına daha çox töhfə verdiyini göstərir; həmin sahələrin klinik olaraq təsdiqlənmiş ASD biomarkerləri olduğunu sübut etmir.

Tədqiqatın ən mühüm məhdudiyyəti yalnız bir təsvir verilənlər dəstinə əsaslanmasıdır. Müəlliflər modelin verilənlər dəstinə xas nümunələri öyrənmiş ola biləcəyini və naməlum verilən paylanmalarında və ya real həyat şəraitində eyni performansın təmin edilə bilməyəcəyini açıq şəkildə bildirirlər. Buna görə təqdim edilən nəticələr təsvir təsnifatı eksperimentinin performans göstəriciləridir; klinik diaqnostik dəqiqlik, skrininq proqramının effektivliyi və ya real dünyada diaqnostik etibarlılıq kimi şərh edilməməlidir.

Tədqiqatın əsas problemi

Autizm spektr pozuntusu (Autism Spectrum Disorder, ASD), sosial ünsiyyət və qarşılıqlı əlaqədə davamlı çətinliklər, məhdud və təkrarlanan davranış nümunələri ilə xarakterizə olunan neyroinkişaf vəziyyətidir. Mənbə erkən müəyyənləşdirmənin vaxtında dəstək və təhsil müdaxilələri baxımından mühüm olduğunu bildirir. Tədqiqatın texniki sualı isə üz təsvirlərindən əldə edilən vizual nümunələrin müxtəlif CNN arxitekturaları və diqqət mexanizmlərindən istifadə edilərək ASD / non-ASD təsnifatında nə dərəcədə ayrılmasıdır.

Tədqiqat ənənəvi klinik qiymətləndirməni əvəz edəcək diaqnostik sistemi təsdiqləmir. Araşdırılan tapşırıq etiketlənmiş təsvir verilənlər dəstində iki sinfin maşın öyrənməsi ilə ayrılmasıdır. Bu fərq xüsusilə mühümdür; çünki modelin verilənlər dəstində sinifləri ayıra bilməsi onun klinik diaqnostika meyarlarını və ya real pasiyent qiymətləndirməsini əvəz etməsi demək deyil.

Ədəbiyyat və tədqiqatın məqsədi

Mənbə ASD təsnifatı üçün daha əvvəl maşın öyrənməsi, fMRI, EEG, qraf əsaslı metodlar, multimodal modellər, CNN-lər və müxtəlif optimallaşdırma yanaşmalarından istifadə edildiyini müzakirə edir. Bu tədqiqatın əsas yanaşması üz təsvirlərini emal edən CNN-lərdə xüsusiyyət təmsilinə CBAM diqqət mexanizmi əlavə etmək və üç orijinal arxitekturanı iki əvvəlcədən öyrədilmiş arxitektura ilə eyni tədqiqat daxilində müqayisə etməkdir.

Tədqiqatçılar həmçinin Grad-CAM-dan istifadə etməklə yalnız “hansı model daha yüksək bal aldı?” sualını deyil, şəbəkənin təsnifat zamanı təsvirin hansı bölgələrinə çəki verdiyini də vizuallaşdırmağı hədəfləmişlər.

CBAM ASD Təsvir Təsnifatında Nə Edir?

Convolutional Block Attention Module (CBAM), CNN-in xüsusiyyət xəritəsini əvvəlcə kanal, sonra isə məkan ölçüsündə yenidən çəkiləndirərək şəbəkənin daha informativ xüsusiyyətlərə və təsvir bölgələrinə daha çox əhəmiyyət verməsini təmin edən diqqət moduludur. Bu tədqiqatda CBAM həm üç orijinal CNN arxitekturasına, həm də YOLO8 və ResNet18 əsaslı modellərə əlavə edilmiş və ASD/non-ASD təsnifatında xüsusiyyətlərin dəqiqləşdirilməsi üçün istifadə edilmişdir.

Xüsusiyyət xəritəsi

Mənbə konvolyusiya qatının çıxışını \(F\) ilə göstərir:

\[ F \in \mathbb{R}^{C \times H \times W} \]

Burada \(C\) kanalların sayını, \(H\) xüsusiyyət xəritəsinin hündürlüyünü, \(W\) isə enini göstərir. Bu təqdimat CNN-in bir təsviri yalnız ikiölçülü piksel cədvəli kimi deyil, çoxsaylı xüsusiyyət kanallarından ibarət üçölçülü təmsil kimi emal etdiyini ifadə edir.

Kanal diqqəti

CBAM-ın ilk mərhələsində kanal diqqət xəritəsi \(M_c\), xüsusiyyət kanallarını yenidən çəkiləndirir:

\[ F' = M_c(F) \otimes F \]

\(\otimes\) element üzrə vurmanı ifadə edir. Riyazi rolu bəzi kanal komponentlərinin təsirini artırmaq və təsnifat baxımından daha az faydalı kanalları nisbi olaraq zəiflətməkdir. Bu əməliyyat yeni təsvir yaratmır; CNN-in mövcud xüsusiyyət təmsilini yenidən çəkiləndirir.

Məkan diqqəti

Kanal diqqətindən sonra məkan diqqət xəritəsi \(M_s\), xüsusiyyətlərin təsvirin hansı mövqelərində daha vacib olduğunu müəyyən edir:

\[ F'' = M_s(F') \otimes F' \]

Mənbəyə görə məkan diqqəti yaradılarkən kanal ölçüsündə average pooling və max pooling tətbiq edilir, sonra 7 × 7 konvolyusiya istifadə olunur. Kanal diqqətinin “hansı xüsusiyyət növləri vacibdir?”, məkan diqqətinin isə “təsvirin harasındakı xüsusiyyətlər vacibdir?” sualına uyğun gəldiyini düşünmək olar.

Niyə həm kanal, həm də məkan diqqəti istifadə olunur?

Üz təsvirində bütün xüsusiyyət kanalları və bütün piksel bölgələri təsnifat baxımından eyni informasiya dəyərinə malik deyil. CBAM-ın ardıcıl iki mərhələsi şəbəkənin həm xüsusiyyət növü, həm də mövqe baxımından seçici olmasını hədəfləyir. Mənbə bu mexanizmin təmsil gücünü artırmaq və fərqləndirici xüsusiyyətləri vurğulamaq məqsədilə istifadə edildiyini bildirir.

Grad-CAM Bu Tədqiqatda Nəyi Göstərir?

Gradient-weighted Class Activation Mapping (Grad-CAM), müəyyən bir sinif proqnozuna CNN-in hansı təsvir bölgələrinin daha çox töhfə verdiyini istilik xəritəsi şəklində göstərən post hoc izaholunma metodudur. Bu tədqiqatda Grad-CAM ASD və non-ASD təsnifatında modellərin üz üzərindəki diqqət paylanmalarını müqayisə etmək üçün istifadə edilmişdir; yaranan isti bölgələr klinik biomarker deyil, model qərarına töhfə verən vizual sahələrdir.

Grad-CAM çəkiləri

Mənbə \(c\) sinfi üçün \(A^k\) xüsusiyyət xəritəsinin əhəmiyyət çəkisini belə müəyyən edir:

\[ \alpha_k^c = \frac{1}{Z} \sum_i \sum_j \frac{\partial y^c}{\partial A_{ij}^k} \]

Burada \(y^c\) araşdırılan sinfin balını; \(A_{ij}^k\), \(k\). xüsusiyyət xəritəsinin \(i,j\) mövqeyindəki dəyərini; \(Z\) isə xüsusiyyət xəritəsindəki piksel sayı ilə əlaqəli normallaşdırma terminini ifadə edir. Törəmə sinif balının müəyyən xüsusiyyət xəritəsindəki dəyişikliyə nə qədər həssas olduğunu ölçür.

Son Grad-CAM xəritəsi mənbədə:

\[ L_{\mathrm{Grad-CAM}}^c = \mathrm{ReLU} \left( \sum_k \alpha_k^c A^k \right) \]

şəklində verilir. ReLU sinif balına müsbət töhfə verən bölgələrin vizuallaşdırılmasını önə çıxarır.

Mənbənin Grad-CAM müşahidələri

12–13-cü səhifələrdəki Şəkil 6 orijinal təsviri, Grad-CAM maskasını və təsvirin üzərinə yerləşdirilmiş diqqət xəritəsini yanaşı göstərir. Mənbə Model 1, Model 2 və Model 3-ün yanaq, burun, çənə və alın kimi daha geniş üz bölgələrinə fokuslandığını; YOLO8-CBAM-ın xüsusilə gözlər və ağız üzərində, ResNet18-CBAM-ın isə əsasən ağız bölgəsində cəmləşdiyini bildirir.

Bu vizuallaşdırma “model qərar verərkən hara baxır?” sualını təxmini izah etməyə kömək edir. Lakin bir bölgənin Grad-CAM-də yüksək aktivlik göstərməsi həmin bölgənin ASD üçün səbəb-nəticə əlaqəli klinik göstərici olduğunu göstərmir.

Verilənlər dəsti

MTCNN ilə üz aşkarlanması və hizalanması

Xam üz təsvirləri birbaşa təsnifatçıya verilməmişdir. Multi-task Cascaded Convolutional Neural Network (MTCNN) əvvəlcə üzün aşkarlanması və həndəsi şəkildə hizalanması üçün istifadə edilmişdir.

MTCNN üçmərhələli quruluşa malikdir:

1. P-Net: təsvir piramidasında çoxsaylı üz namizədi yaradır və kobud üz landmark qiymətləndirməsi aparır.
2. R-Net: P-Net namizədlərinin mühüm hissəsini kənarlaşdırır və bounding box koordinatlarını dəqiqləşdirir.
3. O-Net: yekun bounding box, etibar balı və göz küncləri ilə burun ucunu əhatə edən beş üz landmark-ını hesablayır.

Bu ilkin emal mərhələsinin məqsədi şəbəkənin təsnifatını baş mövqeyi və ya təsvirin kəsilməsi fərqlərindən mümkün qədər asılı olmayan hala gətirmək və üz bölgəsini CNN girişinə daha ardıcıl şəkildə təqdim etməkdir.

Üç orijinal CNN arxitekturası

Model 1 ən dərin orijinal arxitektura, Model 3 isə ən dayaz orijinal arxitekturadır. Mənbənin nəticələrinə görə orijinal modellərdə qat sayının artırılması bu verilənlər dəstində performansı davamlı artırmamışdır; əksinə, Model 3 Model 1 və Model 2-dən daha yüksək accuracy və AUC əldə etmişdir.

Əvvəlcədən öyrədilmiş arxitekturalar

YOLO8, tədqiqatda əvvəlcədən öyrədilmiş şəbəkələrdən biri kimi istifadə edilmiş və seçilmiş konvolyusiya bloklarından sonra CBAM inteqrasiyası ilə xüsusiyyətlərin yenidən çəkiləndirilməsi hədəflənmişdir.

ResNet18, residual/skip connection istifadə edən ikinci əvvəlcədən öyrədilmiş şəbəkədir. Residual bağlantıların daha dərin təmsil öyrənməsində qradiyent axınını qoruma üstünlüyündən istifadə edilir. Tədqiqatda bu arxitektura da CBAM ilə birləşdirilmişdir.

Tədqiqatın Metodu və Nəticələri

Avadanlıq və proqram təminatı

Mənbə həmçinin Pandas 2.3.3, Torch 2.2.2, Scikit-learn 1.7.2, Pillow 10.2.0, Matplotlib 3.10.8, Seaborn 0.13.2, TensorFlow 2.19.1 və Tqdm 4.67.1 kitabxanalarını bildirir.

Təkrar istehsal oluna bilmə sərhədi: Mənbə learning rate, batch size, epoch sayı və təsvir ölçüsünü bildirir; lakin istifadə olunan optimizer və loss function açıq şəkildə göstərilmir. Bundan əlavə, əvvəlcədən ayrılmış təlim/test/doğrulama dəstləri ilə beşqat çarpaz doğrulamanın dəqiq tətbiq əlaqəsi ətraflı izah edilməmişdir.

Performans metriklərinin riyazi quruluşu

Qarışıqlıq matrisində:

• \(TP\): doğru müsbət,
• \(TN\): doğru mənfi,
• \(FP\): yanlış müsbət,
• \(FN\): yanlış mənfi

kimi müəyyən edilir.

Accuracy:

\[ Accuracy = \frac{TP+TN} {TP+TN+FP+FN} \]

Ümumi nümunələrin nə qədərinin düzgün təsnif edildiyini ölçür. Siniflər və ya səhv xərcləri asimmetrik olduqda accuracy təkbaşına kifayət etmir.

Precision:

\[ Precision = \frac{TP}{TP+FP} \]

Müsbət kimi təsnif edilən nümunələrin nə qədərinin həqiqətən müsbət sinfə aid olduğunu ölçür.

Recall:

\[ Recall = \frac{TP}{TP+FN} \]

Həqiqi müsbətlərin nə qədərinin model tərəfindən aşkarlandığını göstərir.

F1-score:

\[ F1 = 2 \frac{Precision \times Recall} {Precision+Recall} \]

Precision və recall-un harmonik ortasıdır və iki səhv istiqamətini vahid performans ölçüsündə birləşdirir.

False Positive Rate:

\[ FPR = \frac{FP}{FP+TN} \]

Həqiqi mənfi nümunələr arasında səhvən müsbət sinfə təyin olunanların nisbətini ifadə edir.

False Negative Rate:

\[ FNR = \frac{FN}{TP+FN} \]

Həqiqi müsbət nümunələr arasında modelin qaçırdığı hissənin nisbətidir.

Matthews Correlation Coefficient:

\[ MCC = \frac {TP \times TN-FP \times FN} {\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}} \]

MCC qarışıqlıq matrisinin dörd komponentindən birlikdə istifadə edir və ikili təsnifat performansını tək dəyərdə ümumiləşdirir.

Mənbənin AUC tənliyindəki uyğunsuzluq

Mənbə Tənlik 13-də bu ifadəni verir:

\[ AUC = \frac{TP\ Rate}{FP\ Rate} \]

Lakin eyni məqalə başqa yerlərdə AUC-ni ROC əyrisinin altında qalan sahə kimi adlandırır və Şəkil 5-də ROC əyriləri üzərindən AUC dəyərlərini göstərir. Buna görə Tənlik 13-ün yazılışı ilə mətn və vizual AUC istifadəsi öz daxilində tam uyğun deyil. Verianla bu tənliyi səssizcə başqa formulaya çevirmir və mənbədaxili uyğunsuzluğu görünən saxlayır.

Hansı CNN-CBAM Modeli Ən Yüksək Performansı Göstərdi?

Mənbə Cədvəl 1 və nəticələr bölməsinə görə YOLO8-CBAM accuracy 0,776, MCC 0,600 və AUC 0,912 ilə tədqiqatın ümumilikdə ən güclü modeli seçilmişdir; lakin ResNet18-CBAM 0,792 ilə ən yüksək F1-score və 0,163 ilə ən aşağı FNR dəyərinə malikdir. Buna görə “ən yaxşı” qiymətləndirməsi istifadə olunan performans meyarından asılıdır və bütün meyarlarda tək model üstün deyil.

Yazı qeydi: Mənbə Cədvəl 1 və bəzi şəkil izahlarında YOLO8-CBAM üçün “Yolo8-CABM” forması da istifadə olunur. CBAM məqalənin müəyyən etdiyi canonical modul adı olduğuna görə Verianla mətnində elmi anlayış YOLO8-CBAM kimi saxlanılır, lakin mənbədəki CABM yazılışı mənbədaxili yazı fərqi kimi qeyd edilir.

Orijinal CNN modelləri nə göstərdi?

Üç orijinal model arasında Model 3 ən yüksək nəticəni vermişdir: accuracy 0,746 və AUC 0,841. Model 1-in accuracy dəyəri 0,683, Model 2-nin isə 0,706-dır.

Mənbə orijinal CNN-lərdə qatların sayı artdıqca təsnifat keyfiyyətinin azalmaq meyli göstərdiyini və daha dərin orijinal şəbəkələrin mövcud verilənlər dəstinə uyğunlaşmaqda çətinlik çəkmiş ola biləcəyini şərh edir. Bu nəticə yalnız araşdırılan arxitekturalar və verilənlər dəsti üçün keçərlidir; “dərin şəbəkələr ASD təsnifatında ümumiyyətlə daha pisdir” nəticəsini dəstəkləmir.

YOLO8-CBAM və ResNet18-CBAM

İki əvvəlcədən öyrədilmiş arxitektura bir-birinə yaxın accuracy dəyərləri vermişdir: YOLO8-CBAM 0,776, ResNet18-CBAM 0,773. Bununla belə, səhv profilləri fərqlidir. Mənbə Cədvəl 1-ə görə YOLO8-CBAM-ın FPR dəyəri 0,063, ResNet18-CBAM-ın FPR dəyəri isə 0,269-dur. Əvəzində ResNet18-CBAM-ın FNR dəyəri 0,163 ilə YOLO8-CBAM-ın 0,297 dəyərindən daha aşağıdır.

Bu asimmetriya model seçiminin yalnız accuracy əsasında aparılmamalı olduğunu göstərir. Tətbiqdə yanlış müsbət və yanlış mənfi səhvlərin nisbi əhəmiyyəti fərqlidirsə, eyni iki model fərqli şəkildə qiymətləndirilə bilər.

Mənbədə YOLO8 və ResNet18 nəticələrinin uyğunlaşdırılması problemi

Mənbənin Cədvəl 1-i YOLO8-CBAM üçün AUC=0,912 və FPR=0,063; ResNet18-CBAM üçün AUC=0,878 və FPR=0,269 bildirir. Lakin nəticə mətnindəki bir cümlə ResNet18-CBAM-a AUC=0,912 və FPR=0,063 aid edir; həmin cümlədə verilən %73,1 spesifiklik isə FPR=0,269 ilə uyğundur.

Şəkil 5-in panel sıralamasında da oxşar uyğunsuzluq vardır: caption d2 panelini ResNet18-CBAM, e2 panelini YOLO8-CBAM adlandırdığı halda, təsvir d2-də AUC=0,9120 və e2-də AUC=0,8784 göstərir. Bunlar Cədvəl 1-dəki model sırası ilə ziddiyyət təşkil edir.

Buna görə Verianla-da rəqəmsal müqayisənin source-of-truth-u kimi Cədvəl 1 və abstract/conclusion bölmələrində təkrarlanan əsas YOLO8-CBAM dəyərləri əsas götürülmüş; Şəkil 5-dəki panel-model uyğunluğu müstəqil təsdiqlənmiş verilən kimi istifadə edilməmişdir.

Ədəbiyyat müqayisəsi

Bu cədvəl ədəbiyyatdakı nəticələri kontekstual müqayisə məqsədilə yanaşı göstərir. Mənbə bütün tədqiqatların eyni verilənlər dəsti, verilən bölgüsü və eksperiment protokolundan istifadə etdiyini göstərmədiyi üçün bu rəqəmlər nəzarətli başabaş benchmark sıralaması kimi şərh edilməməlidir.

Bu Nəticələr Klinik Autizm Diaqnozu Deməkdirmi?

Xeyr. Tədqiqatın nəticələri tək bir etiketlənmiş üz təsviri verilənlər dəstində CNN-CBAM modellərinin ASD/non-ASD siniflərini ayırma performansını göstərir; müstəqil klinik populyasiyalarda diaqnostik etibarlılıq, prospektiv skrininq performansı və ya real səhiyyə istifadəsinə uyğunluq təsdiqlənməmişdir. Müəlliflər də bir verilənlər dəstinin ümumiləşdirilməni məhdudlaşdırdığını və yeni, mütəxəssis dəstəyi ilə yaradılmış verilənlər dəstlərində əlavə doğrulama tələb olunduğunu bildirirlər.

Tək verilənlər dəsti problemi

Model tək bir verilənlər dəstində öyrədildikdə yalnız ASD ilə əlaqəli ola biləcək vizual strukturları deyil, həm də verilənlərin toplanma şəraitinə xas fon, işıqlandırma, kamera, kəsim, yaş paylanması və ya digər verilənlər dəsti xüsusiyyətlərinin nümunələrini öyrənə bilər. Mənbənin məhdudiyyət bölməsində bu problem birbaşa qeyd edilir: model verilənlər dəstinə xas nümunələri öyrənə bilər və naməlum verilən paylanmalarında eyni performansı göstərməyə bilər.

Xarici doğrulama

Tədqiqat ayrıca xarici mərkəzdə və ya müstəqil real həyat populyasiyasında model doğrulaması bildirmir. Müəlliflər gələcəkdə fərqli verilənlər dəstlərinin, daha səmərəli arxitekturaların və erkən ASD qiymətləndirilməsində mütəxəssis klinik psixoloqların töhfəsi ilə yaradılacaq yeni test verilənlərinin istifadəsini təklif edirlər.

Hesablama xərci

Mənbə CNN təsnifatının hesablama baxımından baha və vaxt aparan olduğunu da bildirir. Çoxsaylı konvolyusiya qatları, parametrlər və təkrarlanan təlim yüksək rezolyusiyalı təsvirlərdə və ya böyük verilənlər dəstlərində təlim və inference müddətini artıra bilər. Bu, real vaxtlı və ya resursları məhdud mühitlərdə istifadə baxımından əlavə məhdudiyyətdir.

Tədqiqatın dəstəklədiyi və dəstəkləmədiyi nəticələr

Mənbə və Metod Qeydi

Verilən/etik qeydi: Məqalənin Institutional Review Board və informed consent sahələri “Not applicable” kimi verilmişdir. Bununla yanaşı Data Availability Statement təsvir emalının Helsinki Bəyannaməsinə uyğun aparıldığını və mənbə protokolunun Duke University Medical Center Center for Developmental Epidemiology tərəfindən R01 MH081025 nömrəsi ilə təsdiqləndiyini bildirir. Bu ifadələr ehtimal ki, mövcud/ikinci dərəcəli verilənlər dəstinin təkrar istifadəsi konteksti ilə əlaqəlidir; məqalə iki bəyanat arasındakı əlaqəni ayrıca ətraflı izah etmir.

Şəkil 6 verilən mənbəyi qeydi: Məqalənin verilənlər dəsti bölməsi təsnifat verilənlərini Zenodo qeydinə bağladığı halda, Grad-CAM üçün istifadə edilən Şəkil 6-dakı nümunə təsvirin National Institute of Mental Health Child Emotional Faces Picture Set (NIMH-ChEFS) mənbəli olduğu bildirilir. Məqalə bu şəkil təsvirinin əsas təsnifat verilənlər dəsti ilə əlaqəsini ayrıca ətraflı izah etmir.

Müəllif töhfələri: Ioana Diana Moldovanu konseptuallaşdırma, doğrulama, araşdırma və verilənlərin kurasiyası; Ecaterina Popa metodologiya, formal analiz, ilkin layihənin yazılması və vizuallaşdırma; Simona Moldovanu proqram təminatı, resurslar, nəzərdən keçirmə/redaktə, nəzarət və layihə idarəetməsi vəzifələrini yerinə yetirmişdir. Bütün müəlliflərin dərc edilmiş versiyanı oxuyub təsdiqlədiyi bildirilir.

Mənbədaxili uyğunluq qeydi: Cədvəl 1, nəticə mətni və Şəkil 5 arasında xüsusilə YOLO8-CBAM və ResNet18-CBAM-ın AUC/FPR dəyərlərinin uyğunlaşdırılmasında uyğunsuzluq vardır. Bundan əlavə CBAM qısaltması bəzi yerlərdə CABM kimi yazılmışdır. Verianla rəqəmsal müqayisədə Cədvəl 1-i əsas mənbə kimi istifadə etmiş və ziddiyyətləri görünən şəkildə saxlamışdır.

Tənlik qeydi: Mənbə Tənlik 13-də AUC-ni TP Rate / FP Rate şəklində yazır; eyni məqalədə AUC ROC əyrisinin altındakı sahə kimi istifadə olunur. Mənbədəki bu fərq düzəldilmiş kimi göstərilməmişdir.

Təkrar istehsal oluna bilmə qeydi: Mənbə batch size, learning rate, epoch, təsvir ölçüsü, əsas proqram kitabxanaları və beşqat çarpaz doğrulamanı bildirərkən optimizer və loss function açıq şəkildə göstərilmir. Sabit təlim/test/doğrulama bölgüsü ilə beşqat çarpaz doğrulamanın tətbiq əlaqəsi də ətraflı izah olunmur.

Əsas metodoloji məhdudiyyət: Tək verilənlər dəstinə əsaslanılması, müstəqil xarici doğrulamanın olmaması və real klinik tətbiqdə prospektiv performansın sınaqdan keçirilməməsi səbəbindən bildirilən model metrikləri verilənlər dəsti çərçivəsində təsnifat performansı kimi şərh edilməlidir.