CNN-CBAM негизиндеги ASD бет сүрөттөрүн классификациялоо, балдардын бет сүрөттөрүнөн алынган визуалдык белгилерди конволюциялык нейрон тармактары менен иштетип, Convolutional Block Attention Module (CBAM) аркылуу маалыматтуу каналдык жана мейкиндик белгилерге жогору салмак берген терең үйрөнүү ыкмасы. Бул изилдөө үч оригиналдуу CNN архитектурасын жана алдын ала үйрөтүлгөн эки архитектураны —YOLO8 жана ResNet18— CBAM менен бириктирип, ASD жана non-ASD сүрөттөрүнүн бинардык классификациясын салыштырган. Булак маалымат топтомунда 2536 окутуу, 300 тест жана 100 валидация сүрөтү бар; моделди баалоодо беш бүктөмдүү кайчылаш текшерүү, accuracy, F1-score, Matthews Correlation Coefficient (MCC), False Negative Rate (FNR), False Positive Rate (FPR) жана AUC көрсөткүчтөрү колдонулган.

Булактагы 1-таблицага ылайык эң жогорку accuracy жана AUC маанилери YOLO8-CBAM моделинде алынган: accuracy 0,776, F1-score 0,726, MCC 0,600, FNR 0,297, FPR 0,063 жана AUC 0,912. Бирок F1-score боюнча эң жогорку маани ResNet18-CBAM моделине таандык: 0,792. Ошондуктан изилдөө YOLO8-CBAM моделин жалпысынан эң күчтүү деп түшүндүргөнү менен, ар башка аткарым көрсөткүчтөрү бир эле моделди абсолюттук түрдө артык деп көрсөтпөйт.

Моделдин чечимдерин визуалдык жактан түшүндүрүү үчүн Gradient-weighted Class Activation Mapping (Grad-CAM) колдонулган. Булакка ылайык оригиналдуу CNN моделдеринин көңүл буруу карталары жаак, мурун, ээк жана маңдай сыяктуу кеңири аймактарга тараса, алдын ала үйрөтүлгөн YOLO8-CBAM модели көз жана ооз аймактарына, ResNet18-CBAM болсо негизинен ооз аймагына топтолгон. Бул жылуулук карталары сүрөттүн кайсы аймактары классификация упайына көбүрөөк салым кошконун көрсөтөт; бул аймактар клиникалык жактан тастыкталган ASD биомаркерлери экенин далилдебейт.

Изилдөөнүн эң маанилүү чектөөсү бир гана сүрөт маалымат топтомуна таянганында. Авторлор модель маалымат топтомуна мүнөздүү үлгүлөрдү үйрөнүп алган болушу мүмкүн экенин жана белгисиз маалымат бөлүштүрүүлөрүндө же реалдуу жашоо шарттарында ошол эле аткарымга кепилдик берилбей турганын ачык белгилешет. Демек, билдирилген натыйжалар сүрөт классификациясы боюнча эксперименттин аткарым көрсөткүчтөрү болуп саналат; аларды клиникалык диагноздун тактыгы, скрининг программасынын натыйжалуулугу же реалдуу дүйнөдөгү диагностикалык жарамдуулук катары чечмелөөгө болбойт.

Изилдөөнүн негизги маселеси

Аутизм спектринин бузулушу (Autism Spectrum Disorder, ASD) — социалдык байланышта жана өз ара аракеттенүүдө туруктуу кыйынчылыктар, ошондой эле чектелген жана кайталанма жүрүм-турум үлгүлөрү менен мүнөздөлгөн нейроөнүгүү абалы. Булак эрте аныктоо өз убагындагы колдоо жана билим берүү кийлигишүүлөрү үчүн маанилүү экенин белгилейт. Изилдөөнүн техникалык суроосу — бет сүрөттөрүнөн алынган визуалдык үлгүлөрдү ар кандай CNN архитектуралары жана көңүл буруу механизмдери аркылуу ASD / non-ASD классификациясында канчалык деңгээлде ажыратууга болору.

Изилдөө салттуу клиникалык баалоонун ордун баса турган диагностикалык системаны тастыктабайт. Изилденген тапшырма — белгиленген сүрөт маалымат топтомундагы эки классты машиналык үйрөнүү аркылуу ажыратуу. Бул айырма өзгөчө маанилүү; анткени моделдин маалымат топтомундагы класстарды ажырата алышы клиникалык диагноз критерийлеринин же чыныгы бейтапты баалоонун ордун басат дегенди билдирбейт.

Адабият жана изилдөөнүн максаты

Булак ASD классификациясы үчүн буга чейин машиналык үйрөнүү, fMRI, EEG, графка негизделген ыкмалар, мультимодалдык моделдер, CNNдер жана ар кандай оптималдаштыруу ыкмалары колдонулганын талкуулайт. Бул изилдөөнүн негизги ыкмасы — бет сүрөттөрүн иштеткен CNNдердеги белгилердин көрсөтүлүшүнө CBAM көңүл буруу механизмин кошуу жана үч оригиналдуу архитектураны алдын ала үйрөтүлгөн эки архитектура менен бир эле изилдөөнүн ичинде салыштыруу.

Изилдөөчүлөр ошондой эле Grad-CAM колдонуп, “кайсы модель жогорураак упай алды?” деген суроону гана эмес, тармак классификация учурунда сүрөттүн кайсы аймактарына көбүрөөк салмак бергенин да визуалдаштырууну максат кылышкан.

CBAM ASD Сүрөт Классификациясында Эмне Кылат?

Convolutional Block Attention Module (CBAM) — CNNдин белгилер картасын адегенде канал өлчөмүндө, андан кийин мейкиндик өлчөмүндө кайра салмактап, тармактын маалыматтуураак белгилерге жана сүрөт аймактарына көбүрөөк көңүл бурушун камсыз кылган көңүл буруу модулу. Бул изилдөөдө CBAM үч оригиналдуу CNN архитектурасына да, YOLO8 жана ResNet18 негизиндеги моделдерге да кошулуп, ASD/non-ASD классификациясында белгилерди тактоо үчүн колдонулган.

Белгилер картасы

Булак конволюция катмарынын чыгышын \(F\) менен көрсөтөт:

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

Бул жерде \(C\) каналдардын санын, \(H\) белгилер картасынын бийиктигин, \(W\) болсо туурасын билдирет. Бул көрсөтүү CNN бир сүрөттү эки өлчөмдүү пикселдер таблицасы катары гана эмес, көп сандагы белгилер каналдарынан турган үч өлчөмдүү өкүлчүлүк катары иштетерин билдирет.

Каналдык көңүл буруу

CBAMдын биринчи этабында каналдык көңүл буруу картасы \(M_c\) белгилер каналдарын кайра салмактайт:

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

\(\otimes\) элементтер боюнча көбөйтүүнү билдирет. Математикалык ролу — айрым канал компоненттеринин таасирин күчөтүп, классификация үчүн азыраак пайдалуу каналдарды салыштырмалуу басаңдатуу. Бул операция жаңы сүрөт жаратпайт; CNNдин учурдагы белгилер өкүлчүлүгүн кайра салмактайт.

Мейкиндиктик көңүл буруу

Каналдык көңүл буруудан кийин мейкиндиктик көңүл буруу картасы \(M_s\) белгилердин сүрөттөгү кайсы орундарда маанилүүрөөк экенин аныктайт:

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

Булакка ылайык мейкиндиктик көңүл буруу түзүлгөндө канал өлчөмүндө average pooling жана max pooling колдонулуп, андан кийин 7 × 7 конволюция жүргүзүлөт. Каналдык көңүл бурууну “кайсы белги түрлөрү маанилүү?”, ал эми мейкиндиктик көңүл бурууну “сүрөттүн кайсы жериндеги белгилер маанилүү?” деген суроолорго жооп берет деп кароого болот.

Эмне үчүн каналдык да, мейкиндиктик да көңүл буруу колдонулат?

Бет сүрөтүндө бардык белгилер каналдары жана бардык пиксел аймактары классификация үчүн бирдей маалыматтык баалуулукка ээ эмес. CBAMдын удаалаш эки этабы тармакты белгилердин түрү боюнча да, жайгашуусу боюнча да тандалма кылууну көздөйт. Булак бул механизм өкүлчүлүктүн күчүн арттыруу жана айырмалоочу белгилерди баса белгилөө үчүн колдонулганын көрсөтөт.

Grad-CAM Бул Изилдөөдө Эмнени Көрсөтөт?

Gradient-weighted Class Activation Mapping (Grad-CAM) — белгилүү бир класс божомолуна CNNдин кайсы сүрөт аймактары көбүрөөк салым кошконун жылуулук картасы түрүндө көрсөткөн post hoc түшүндүрүлмөлүүлүк ыкмасы. Бул изилдөөдө Grad-CAM ASD жана non-ASD классификациясында моделдердин беттеги көңүл буруу бөлүштүрүлүшүн салыштыруу үчүн колдонулган; пайда болгон ысык аймактар клиникалык биомаркер эмес, моделдин чечимине салым кошкон визуалдык аймактар.

Grad-CAM салмактары

Булак \(c\) классы үчүн \(A^k\) белгилер картасынын маанилүүлүк салмагын төмөнкүдөй аныктайт:

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

Бул жерде \(y^c\) каралып жаткан класстын упайын; \(A_{ij}^k\) \(k\). белгилер картасынын \(i,j\) ордундагы маанисин; \(Z\) болсо белгилер картасындагы пикселдердин санына байланышкан нормалдаштыруу терминин билдирет. Туунду класстын упайы белгилүү белгилер картасындагы өзгөрүүгө канчалык сезимтал экенин өлчөйт.

Акыркы Grad-CAM картасы булакта:

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

түрүндө берилет. ReLU класстын упайына оң салым кошкон аймактарды визуалдаштырууну баса белгилейт.

Булактын Grad-CAM байкоолору

12–13-беттердеги 6-сүрөт оригиналдуу сүрөттү, Grad-CAM маскасын жана сүрөт үстүнө кабатталган көңүл буруу картасын жанаша көрсөтөт. Булак Model 1, Model 2 жана Model 3 жаак, мурун, ээк жана маңдай сыяктуу кеңири бет аймактарына көңүл бурганын; YOLO8-CBAM өзгөчө көздөргө жана оозго, ResNet18-CBAM болсо негизинен ооз аймагына топтолгонун билдирет.

Бул визуалдаштыруу “модель чечим чыгарууда кайда карайт?” деген суроону болжол менен түшүндүрүүгө жардам берет. Бирок кайсы бир аймактын Grad-CAMда жогорку активдүүлүк көрсөтүшү ал аймак ASD үчүн себептик байланыштагы клиникалык белги экенин көрсөтпөйт.

Маалымат топтому

MTCNN менен бетти аныктоо жана тегиздөө

Чийки бет сүрөттөрү түздөн-түз классификаторго берилген эмес. Multi-task Cascaded Convolutional Neural Network (MTCNN) адегенде бетти аныктоо жана геометриялык тегиздөө үчүн колдонулган.

MTCNN үч баскычтуу түзүлүштү камтыйт:

1. P-Net: сүрөт пирамидасында көптөгөн бет талапкерлерин түзөт жана болжолдуу бет landmark баасын берет.
2. R-Net: P-Net талапкерлеринин олуттуу бөлүгүн четтетип, bounding box координаттарын тактайт.
3. O-Net: акыркы bounding box, ишеним упайы жана көздүн бурчтары менен мурундун учун камтыган беш бет landmark-ын эсептейт.

Бул алдын ала иштетүү этабынын максаты — тармактын классификациясын баштын абалынан же сүрөттү кесүүдөгү айырмачылыктардан мүмкүн болушунча көз карандысыз кылуу жана бет аймагын CNN киргизүүсүнө бир калыпта берүү.

Үч оригиналдуу CNN архитектурасы

Model 1 эң терең оригиналдуу архитектура, Model 3 болсо эң тайыз оригиналдуу архитектура. Булактын жыйынтыктарына ылайык оригиналдуу моделдерде катмарлардын санын көбөйтүү бул маалымат топтомунда аткарымды туруктуу жогорулаткан эмес; тескерисинче Model 3 Model 1 жана Model 2ге караганда жогору accuracy жана AUC алган.

Алдын ала үйрөтүлгөн архитектуралар

YOLO8, изилдөөдө алдын ала үйрөтүлгөн тармактардын бири катары колдонулуп, тандалган конволюциялык блоктордон кийин CBAM интеграциясы аркылуу белгилерди кайра салмактоо максат кылынган.

ResNet18, residual/skip connection колдонгон алдын ала үйрөтүлгөн экинчи тармак. Residual байланыштардын тереңирээк өкүлчүлүктү үйрөнүүдө градиент агымын сактоо артыкчылыгы пайдаланылат. Изилдөөдө бул архитектура да CBAM менен бириктирилген.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Аппараттык жана программалык камсыздоо

Булак ошондой эле 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 жана Tqdm 4.67.1 китепканаларын билдирет.

Кайра өндүрүмдүүлүк чеги: Булак learning rate, batch size, epoch саны жана сүрөт өлчөмүн билдирет; бирок колдонулган optimizer жана loss function ачык көрсөтүлгөн эмес. Ошондой эле алдын ала бөлүнгөн окутуу/test/валидация топтомдору менен беш бүктөмдүү кайчылаш текшерүүнүн так колдонуу мамилеси деталдуу түшүндүрүлгөн эмес.

Аткарым метрикаларынын математикалык түзүлүшү

Confusion matrix ичинде:

• \(TP\): чыныгы оң,
• \(TN\): чыныгы терс,
• \(FP\): жалган оң,
• \(FN\): жалган терс

деп аныкталат.

Accuracy:

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

Жалпы үлгүлөрдүн канчасы туура классификацияланганын өлчөйт. Класстар же ката баалары асимметриялуу болгондо accuracy жалгыз өзү жетишсиз.

Precision:

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

Оң деп классификацияланган үлгүлөрдүн канчасы чындыгында оң класска таандык экенин өлчөйт.

Recall:

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

Чыныгы оңдордун канчасы модель тарабынан табылганын көрсөтөт.

F1-score:

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

Precision менен recallдун гармониялык орточосу болуп, эки ката багытын бир аткарым көрсөткүчүнө бириктирет.

False Positive Rate:

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

Чыныгы терс үлгүлөрдүн ичинде жаңылыштык менен оң класска берилгендердин үлүшүн билдирет.

False Negative Rate:

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

Чыныгы оң үлгүлөрдүн ичинен модель өткөрүп жиберген бөлүктүн катышы.

Matthews Correlation Coefficient:

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

MCC confusion matrixтин төрт компонентин чогуу колдонуп, бинардык классификация аткарымын бир мааниге жалпылайт.

Булактын AUC теңдемесиндеги дал келбестик

Булак 13-тeңдемеде төмөнкү туюнтманы берет:

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

Бирок ошол эле макала башка жерлерде AUCту ROC ийри сызыгынын астындагы аянт деп атап, 5-сүрөттө ROC ийри сызыктары аркылуу AUC маанилерин көрсөтөт. Демек 13-тeңдеменин жазылышы менен тексттик/визуалдык AUC колдонулушу өз ичинде толук дал келбейт. Verianla бул теңдемени үнсүз түрдө башка формула менен алмаштырбайт жана булак ичиндеги дал келбестикти көрүнүктүү калтырат.

Кайсы CNN-CBAM Модели Эң Жогорку Аткарымды Көрсөттү?

Булактагы 1-таблица жана жыйынтык бөлүмүнө ылайык YOLO8-CBAM accuracy 0,776, MCC 0,600 жана AUC 0,912 менен жалпысынан изилдөөнүн эң күчтүү модели катары тандалган; бирок ResNet18-CBAM 0,792 менен эң жогорку F1-score жана 0,163 менен эң төмөн FNR маанисине ээ. Ошондуктан “эң жакшы” деген баа колдонулган аткарым метрикасына жараша болот жана бардык көрсөткүчтөр боюнча бир гана модель үстөм эмес.

Жазылыш эскертүүсү: Булактагы 1-таблицада жана айрым сүрөт түшүндүрмөлөрүндө YOLO8-CBAM үчүн “Yolo8-CABM” формасы да колдонулат. CBAM макала аныктаган canonical модулдун аталышы болгондуктан, Verianla баянында илимий түшүнүк YOLO8-CBAM катары сакталат, ал эми булактагы CABM жазылышы булак ичиндеги жазылыш айырмасы катары белгиленет.

Оригиналдуу CNN моделдери эмнени көрсөттү?

Үч оригиналдуу моделдин ичинен Model 3 эң жогорку натыйжаны көрсөткөн: accuracy 0,746 жана AUC 0,841. Model 1дин accuracy мааниси 0,683, Model 2ники 0,706.

Булак оригиналдуу CNNдерде катмарлардын саны көбөйгөн сайын классификация сапаты төмөндөө тенденциясын көрсөткөнүн жана тереңирээк оригиналдуу тармактар учурдагы маалымат топтомуна ылайыкташууда кыйналган болушу мүмкүн экенин чечмелейт. Бул жыйынтык изилденген архитектуралар жана маалымат топтому үчүн гана жарактуу; “терең тармактар ASD классификациясында жалпысынан начар” деген тыянакты колдобойт.

YOLO8-CBAM жана ResNet18-CBAM

Алдын ала үйрөтүлгөн эки архитектура бири-бирине жакын accuracy маанилерин берген: YOLO8-CBAM 0,776, ResNet18-CBAM 0,773. Бирок ката профилдери айырмаланат. Булактагы 1-таблицага ылайык YOLO8-CBAMдын FPR мааниси 0,063, ResNet18-CBAMдын FPR мааниси 0,269. Ал эми ResNet18-CBAMдын FNR мааниси 0,163 болуп, YOLO8-CBAMдын 0,297 маанисинен төмөн.

Бул асимметрия модель тандоону accuracy гана боюнча жүргүзбөө керектигин көрсөтөт. Эгер колдонмодо жалган оң жана жалган терс каталардын салыштырмалуу мааниси айырмаланса, ошол эле эки модель ар башка бааланышы мүмкүн.

Булакта YOLO8 жана ResNet18 жыйынтыктарынын дал келүү көйгөйү

Булактын 1-таблицасы YOLO8-CBAM үчүн AUC=0,912 жана FPR=0,063; ResNet18-CBAM үчүн AUC=0,878 жана FPR=0,269 деп билдирет. Бирок жыйынтык текстиндеги бир сүйлөм ResNet18-CBAMга AUC=0,912 жана FPR=0,063 деп таандык кылат; ошол эле сүйлөмдөгү %73,1 specificity болсо FPR=0,269 менен шайкеш келет.

5-сүрөттүн панелдеринин иретинде да ушундай дал келбестик бар: caption d2 панелин ResNet18-CBAM, e2 панелин YOLO8-CBAM деп атайт, ал эми сүрөттө d2 AUC=0,9120 жана e2 AUC=0,8784 көрсөтөт. Бул 1-таблицадагы модель иретине карама-каршы келет.

Ошондуктан Verianlaда сандык салыштыруунун source-of-truth булагы катары 1-таблица жана abstract/conclusion бөлүктөрүндө кайталанган негизги YOLO8-CBAM маанилери алынган; 5-сүрөттөгү панель-модель шайкештиги өз алдынча тастыкталган маалымат катары колдонулган эмес.

Адабият менен салыштыруу

Бул таблица адабияттагы натыйжаларды контексттик салыштыруу үчүн жанаша берет. Булак бардык изилдөөлөр бирдей маалымат топтомун, маалымат бөлүштүрүүнү жана эксперимент протоколун колдонгонун көрсөтпөгөндүктөн, бул сандар көзөмөлдөнгөн түз benchmark рейтинги катары чечмеленбеши керек.

Бул Натыйжалар Клиникалык Аутизм Диагнозун Билдиреби?

Жок. Изилдөөнүн натыйжалары бир гана белгиленген бет сүрөттөрү маалымат топтомунда CNN-CBAM моделдеринин ASD/non-ASD класстарын ажыратуу аткарымын көрсөтөт; көз карандысыз клиникалык популяцияларда диагностикалык жарамдуулук, проспективдүү скрининг аткарымы же реалдуу саламаттык сактоо колдонмосуна ылайыктуулук тастыкталган эмес. Авторлор да бир гана маалымат топтому жалпылоону чектерин жана жаңы, эксперттердин колдоосу менен түзүлгөн маалымат топтомдорунда кошумча текшерүү керек экенин белгилешет.

Бир маалымат топтому көйгөйү

Модель бир маалымат топтомунда үйрөтүлгөндө ASD менен байланыштуу болушу мүмкүн болгон визуалдык түзүлүштөрдү гана эмес, маалымат чогултуу шарттарына мүнөздүү фон, жарык, камера, кесүү, жаш бөлүштүрүү же башка маалымат топтому белгилеринин үлгүлөрүн да үйрөнүшү мүмкүн. Булактын чектөөлөр бөлүмүндө бул маселе түз айтылган: модель маалымат топтомуна мүнөздүү үлгүлөрдү үйрөнүшү мүмкүн жана белгисиз маалымат бөлүштүрүүлөрүндө ошол эле аткарымды көрсөтпөшү мүмкүн.

Тышкы текшерүү

Изилдөө өзүнчө тышкы борбордо же көз карандысыз реалдуу жашоо популяциясында модель текшерүүсүн билдирбейт. Авторлор келечекте ар кандай маалымат топтомдорун, натыйжалуураак архитектураларды жана эрте ASD баалоосунда адис клиникалык психологдордун катышуусу менен түзүлгөн жаңы тест маалыматтарын колдонууну сунуштайт.

Эсептөө наркы

Булак CNN классификациясы эсептөө жагынан кымбат жана убакытты талап кыларын да билдирет. Көп сандагы конволюциялык катмарлар, параметрлер жана кайталанма окутуу жогорку чечилишиндеги сүрөттөрдө же чоң маалымат топтомдорунда окутуу жана inference убактысын көбөйтүшү мүмкүн. Бул реалдуу убакытта же ресурсу чектелген чөйрөдө колдонууга кошумча чектөө болуп саналат.

Изилдөө колдогон жана колдобогон жыйынтыктар

Булак жана Ыкма Жөнүндө Эскертүү

Маалымат/этика эскертүүсү: Макаланын Institutional Review Board жана informed consent талаалары “Not applicable” деп берилген. Ошол эле учурда Data Availability Statement сүрөт иштетүү Helsinki Декларациясына ылайык жүргүзүлгөнүн жана булак протоколу Duke University Medical Center Center for Developmental Epidemiology тарабынан R01 MH081025 номери менен жактырылганын билдирет. Бул билдирүүлөр, сыягы, учурдагы/экинчи маалымат топтомун кайра колдонуу контекстине байланыштуу; макала эки билдирүүнүн ортосундагы мамилени өзүнчө кеңири түшүндүрбөйт.

6-сүрөттүн маалымат булагы жөнүндө эскертүү: Макаланын маалымат топтому бөлүмү классификация маалыматтарын Zenodo жазуусуна байланыштырса, Grad-CAM үчүн колдонулган 6-сүрөттөгү үлгү сүрөт National Institute of Mental Health Child Emotional Faces Picture Set (NIMH-ChEFS) булагынан экени билдирилет. Макала бул сүрөттүн негизги классификация маалымат топтому менен байланышын өзүнчө кеңири түшүндүрбөйт.

Авторлордун салымдары: Ioana Diana Moldovanu концептуалдаштыруу, текшерүү, изилдөө жана маалыматтарды курациялоо; Ecaterina Popa методология, формалдык анализ, алгачкы долбоорду жазуу жана визуалдаштыруу; Simona Moldovanu программалык камсыздоо, ресурстар, карап чыгуу/түзөтүү, көзөмөл жана долбоорду башкаруу милдеттерин аткарган. Бардык авторлор жарыяланган версияны окуп, жактырганы айтылат.

Булак ичиндеги ырааттуулук эскертүүсү: 1-таблица, жыйынтык тексти жана 5-сүрөттүн ортосунда өзгөчө YOLO8-CBAM жана ResNet18-CBAMдын AUC/FPR маанилерин дал келтирүүдө дал келбестик бар. Мындан тышкары CBAM кыскартмасы айрым жерлерде CABM деп жазылган. Verianla сандык салыштырууда 1-таблицаны негизги булак катары колдонуп, карама-каршылыктарды ачык сактаган.

Теңдеме эскертүүсү: Булак 13-тeңдемеде AUCту TP Rate / FP Rate түрүндө жазат; ошол эле макалада AUC ROC ийри сызыгынын астындагы аянт катары колдонулат. Булактагы бул айырма оңдолгондой көрсөтүлгөн эмес.

Кайра өндүрүмдүүлүк эскертүүсү: Булак batch size, learning rate, epoch, сүрөт өлчөмү, негизги программалык китепканалар жана беш бүктөмдүү кайчылаш текшерүүнү билдиргени менен optimizer жана loss function ачык көрсөтпөйт. Туруктуу окутуу/test/валидация бөлүштүрүүсү менен беш бүктөмдүү кайчылаш текшерүүнүн колдонуу мамилеси да кеңири түшүндүрүлгөн эмес.

Негизги методологиялык чек: Бир гана маалымат топтомуна таянуу, көз карандысыз тышкы текшерүүнүн жоктугу жана реалдуу клиникалык колдонмодо проспективдүү аткарым текшерилбегени себептүү билдирилген модель метрикалары маалымат топтомунун чегиндеги классификация аткарымы катары чечмелениши керек.