CNN-CBAM asosidagi ASD yuz tasvirlarini tasniflash, bolalar yuz tasvirlaridan ajratilgan vizual xususiyatlarni konvolyutsion neyron tarmoqlari bilan qayta ishlaydigan va Convolutional Block Attention Module (CBAM) orqali axborotli kanal hamda fazoviy xususiyatlarga yuqoriroq ogʻirlik beradigan chuqur oʻrganish yondashuvidir. Ushbu tadqiqot uchta original CNN arxitekturasi va ikkita oldindan oʻqitilgan arxitekturani —YOLO8 va ResNet18— CBAM bilan birlashtirib, ASD va non-ASD tasvirlarining ikkilik tasnifini taqqoslagan. Manba maʼlumotlar toʻplamida 2536 ta oʻqitish, 300 ta test va 100 ta validatsiya tasviri mavjud; modelni baholashda besh karra kross-validatsiya, accuracy, F1-score, Matthews Correlation Coefficient (MCC), False Negative Rate (FNR), False Positive Rate (FPR) va AUC mezonlaridan foydalanilgan.

Manba 1-jadvaliga koʻra eng yuqori accuracy va AUC qiymatlari YOLO8-CBAM modelida olingan: accuracy 0,776, F1-score 0,726, MCC 0,600, FNR 0,297, FPR 0,063 va AUC 0,912. Biroq F1-score boʻyicha eng yuqori qiymat ResNet18-CBAM modeliga tegishli: 0,792. Shu sababli tadqiqot YOLO8-CBAM ni umuman eng kuchli model deb talqin qilsa-da, turli ishlash mezonlari ayni bir modelni mutlaq ustun deb koʻrsatmaydi.

Model qarorlarini vizual talqin qilish uchun Gradient-weighted Class Activation Mapping (Grad-CAM) qoʻllanilgan. Manbaga koʻra original CNN modellarining diqqat xaritalari yonoq, burun, iyak va peshona kabi kengroq sohalarga tarqalgan boʻlsa, oldindan oʻqitilgan YOLO8-CBAM modeli koʻz va ogʻiz hududlariga, ResNet18-CBAM esa asosan ogʻiz hududiga eʼtibor qaratgan. Ushbu issiqlik xaritalari tasvirning qaysi sohalari tasniflash balliga koʻproq hissa qoʻshganini koʻrsatadi; bu hududlar klinik jihatdan tasdiqlangan ASD biomarkerlari ekanini isbotlamaydi.

Tadqiqotning eng muhim cheklovi uning bitta tasvir maʼlumotlar toʻplamiga tayanganidir. Mualliflar model maʼlumotlar toʻplamiga xos naqshlarni oʻrgangan boʻlishi mumkinligini va nomaʼlum maʼlumot taqsimotlarida yoki real hayot sharoitlarida ayni ishlash kafolatlanmasligini ochiq taʼkidlaydi. Shuning uchun keltirilgan natijalar tasvir tasnifi tajribasining ishlash koʻrsatkichlaridir; ular klinik tashxis aniqligi, skrining dasturi samaradorligi yoki real dunyodagi diagnostik validlik sifatida talqin qilinmasligi kerak.

Tadqiqotning asosiy muammosi

Autizm spektri buzilishi (Autism Spectrum Disorder, ASD) ijtimoiy muloqot va oʻzaro taʼsirda doimiy qiyinchiliklar hamda cheklangan va takrorlanuvchi xulq-atvor naqshlari bilan tavsiflanadigan neyro-rivojlanish holatidir. Manba erta aniqlash oʻz vaqtida qoʻllab-quvvatlash va taʼlimiy aralashuvlar nuqtayi nazaridan muhimligini qayd etadi. Tadqiqotning texnik savoli esa yuz tasvirlaridan olingan vizual naqshlarni turli CNN arxitekturalari va diqqat mexanizmlari yordamida ASD / non-ASD tasnifida qay darajada ajratish mumkinligidir.

Tadqiqot anʼanaviy klinik baholash oʻrnini bosadigan tashxis tizimini tasdiqlamaydi. Oʻrganilgan vazifa — yorliqlangan tasvir maʼlumotlar toʻplamidagi ikki sinfni mashinali oʻrganish orqali ajratish. Bu farq ayniqsa muhim, chunki modelning maʼlumotlar toʻplamidagi sinflarni ajrata olishi klinik tashxis mezonlari yoki haqiqiy bemorni baholash oʻrnini bosishini anglatmaydi.

Adabiyot va tadqiqot maqsadi

Manba ASD tasnifi uchun ilgari mashinali oʻrganish, fMRI, EEG, grafik asosidagi usullar, multimodal modellar, CNN lar va turli optimallashtirish yondashuvlari qoʻllanganini muhokama qiladi. Ushbu tadqiqotning asosiy yondashuvi yuz tasvirlarini qayta ishlovchi CNN lardagi xususiyat ifodasiga CBAM diqqat mexanizmini qoʻshish va uchta original arxitekturani ikkita oldindan oʻqitilgan arxitektura bilan bir tadqiqot doirasida taqqoslashdir.

Tadqiqotchilar shuningdek Grad-CAM dan foydalanib faqat “qaysi model yuqoriroq ball oldi?” degan savolni emas, balki tarmoq tasnif paytida tasvirning qaysi hududlariga koʻproq ogʻirlik berganini ham vizuallashtirishni maqsad qilgan.

CBAM ASD Tasvir Tasnifida Nima Qiladi?

Convolutional Block Attention Module (CBAM) — CNN xususiyat xaritasini avval kanal oʻlchamida, keyin fazoviy oʻlchamda qayta ogʻirlashtirib, tarmoqning axborotliroq xususiyatlar va tasvir hududlariga koʻproq ahamiyat berishiga imkon beradigan diqqat modulidir. Ushbu tadqiqotda CBAM uchta original CNN arxitekturasiga ham, YOLO8 va ResNet18 asosidagi modellarga ham qoʻshilib, ASD/non-ASD tasnifida xususiyatlarni aniqlashtirish uchun ishlatilgan.

Xususiyat xaritasi

Manba konvolyutsiya qatlamining chiqishini \(F\) bilan ifodalaydi:

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

Bu yerda \(C\) kanallar sonini, \(H\) xususiyat xaritasining balandligini va \(W\) kengligini bildiradi. Bu ifoda CNN bitta tasvirni faqat ikki oʻlchovli piksel jadvali sifatida emas, balki koʻplab xususiyat kanallaridan tashkil topgan uch oʻlchovli tasvirlash sifatida qayta ishlashini anglatadi.

Kanal diqqat mexanizmi

CBAM ning birinchi bosqichida kanal diqqat xaritasi \(M_c\) xususiyat kanallarini qayta ogʻirlashtiradi:

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

\(\otimes\) elementma-element koʻpaytirishni bildiradi. Uning matematik vazifasi ayrim kanal komponentlarining taʼsirini oshirish va tasniflash uchun kamroq foydali kanallarni nisbatan susaytirishdir. Bu amal yangi tasvir yaratmaydi; CNN ning mavjud xususiyat ifodasini qayta ogʻirlashtiradi.

Fazoviy diqqat

Kanal diqqatidan soʻng fazoviy diqqat xaritasi \(M_s\) xususiyatlarning tasvirning qaysi joylarida muhimroq ekanini aniqlaydi:

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

Manbaga koʻra fazoviy diqqat hosil qilinayotganda kanal oʻlchamida average pooling va max pooling qoʻllanadi, soʻng 7 × 7 konvolyutsiya ishlatiladi. Kanal diqqatini “qaysi xususiyat turlari muhim?”, fazoviy diqqatni esa “tasvirning qaysi joyidagi xususiyatlar muhim?” degan savollarga mos deb qarash mumkin.

Nega kanal va fazoviy diqqat birga ishlatiladi?

Yuz tasviridagi barcha xususiyat kanallari va barcha piksel hududlari tasniflash uchun bir xil axborot qiymatiga ega emas. CBAM ning ketma-ket ikki bosqichi tarmoqni ham xususiyat turi, ham joylashuv boʻyicha tanlovchan qilishni koʻzlaydi. Manba ushbu mexanizm tasvirlash kuchini oshirish va farqlovchi xususiyatlarni kuchaytirish maqsadida ishlatilganini qayd etadi.

Grad-CAM Ushbu Tadqiqotda Nimani Koʻrsatadi?

Gradient-weighted Class Activation Mapping (Grad-CAM) — maʼlum bir sinf bashoratiga CNN ning qaysi tasvir hududlari koʻproq hissa qoʻshganini issiqlik xaritasi koʻrinishida koʻrsatadigan post hoc tushuntiriluvchanlik usuli. Ushbu tadqiqotda Grad-CAM ASD va non-ASD tasnifida modellar yuzning qaysi qismlariga eʼtibor berganini taqqoslash uchun qoʻllanilgan; hosil boʻlgan issiq hududlar klinik biomarker emas, model qaroriga hissa qoʻshgan vizual sohalardir.

Grad-CAM ogʻirliklari

Manba \(c\) sinfi uchun \(A^k\) xususiyat xaritasining muhimlik ogʻirligini quyidagicha belgilaydi:

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

Bu yerda \(y^c\) koʻrib chiqilayotgan sinf ballini; \(A_{ij}^k\) \(k\)-xususiyat xaritasining \(i,j\) joyidagi qiymatini; \(Z\) esa xususiyat xaritasidagi piksel soni bilan bogʻliq normallashtirish hadini bildiradi. Hosila sinf ballining muayyan xususiyat xaritasidagi oʻzgarishga qanchalik sezgirligini oʻlchaydi.

Yakuniy Grad-CAM xaritasi manbada:

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

koʻrinishida berilgan. ReLU sinf balliga ijobiy hissa qoʻshadigan hududlarni vizuallashtirishni ajratib koʻrsatadi.

Manbaning Grad-CAM kuzatuvlari

12–13-sahifalardagi 6-rasm original tasvirni, Grad-CAM niqobini va tasvir ustiga joylashtirilgan diqqat xaritasini yonma-yon koʻrsatadi. Manba Model 1, Model 2 va Model 3 yonoq, burun, iyak va peshona kabi kengroq yuz sohalariga eʼtibor qaratganini; YOLO8-CBAM ayniqsa koʻzlar va ogʻizga, ResNet18-CBAM esa asosan ogʻiz hududiga jamlanganini bildiradi.

Bu vizuallashtirish “model qaror chiqarayotganda qayerga qaraydi?” degan savolni taxminan tushuntirishga yordam beradi. Biroq biror hudud Grad-CAM da yuqori faollik koʻrsatishi bu hudud ASD uchun sababiy bogʻliq klinik belgi ekanini anglatmaydi.

Maʼlumotlar toʻplami

MTCNN yordamida yuzni aniqlash va tekislash

Xom yuz tasvirlari bevosita tasniflagichga berilmagan. Multi-task Cascaded Convolutional Neural Network (MTCNN) avval yuzni aniqlash va geometrik tekislash uchun ishlatilgan.

MTCNN uch bosqichli tuzilishga ega:

1. P-Net: tasvir piramidasida koʻplab yuz nomzodlarini hosil qiladi va qoʻpol yuz landmark bahosini beradi.
2. R-Net: P-Net nomzodlarining katta qismini chiqarib tashlaydi va bounding box koordinatalarini aniqlashtiradi.
3. O-Net: yakuniy bounding box, ishonch balli va koʻz burchaklari bilan burun uchini oʻz ichiga olgan beshta yuz landmark ini hisoblaydi.

Ushbu oldindan ishlov berish bosqichining maqsadi tarmoq tasnifini bosh holati yoki tasvirni kesishdagi farqlardan imkon qadar mustaqil qilish va yuz hududini CNN kirishiga izchilroq tarzda taqdim etishdir.

Uchta original CNN arxitekturasi

Model 1 eng chuqur original arxitektura, Model 3 esa eng sayoz original arxitekturadir. Manba natijalariga koʻra original modellarda qatlamlar sonini oshirish bu maʼlumotlar toʻplamida ishlashni uzluksiz yaxshilamagan; aksincha Model 3 Model 1 va Model 2 ga qaraganda yuqoriroq accuracy va AUC olgan.

Oldindan oʻqitilgan arxitekturalar

YOLO8, tadqiqotda oldindan oʻqitilgan tarmoqlardan biri sifatida ishlatilgan va tanlangan konvolyutsion bloklardan keyin CBAM integratsiyasi orqali xususiyatlarni qayta ogʻirlashtirish maqsad qilingan.

ResNet18, residual/skip connection ishlatadigan ikkinchi oldindan oʻqitilgan tarmoqdir. Residual ulanishlarning chuqurroq tasvirlashni oʻrganishda gradient oqimini saqlash afzalligidan foydalaniladi. Tadqiqotda bu arxitektura ham CBAM bilan birlashtirilgan.

Tadqiqot Usuli va Natijalari

Uskuna va dasturiy taʼminot

Manba shuningdek 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 va Tqdm 4.67.1 kutubxonalarini bildiradi.

Qayta ishlab chiqarish chegarasi: Manba learning rate, batch size, epoch soni va tasvir oʻlchamini bildiradi; biroq ishlatilgan optimizer va loss function aniq koʻrsatilmagan. Bundan tashqari, oldindan ajratilgan oʻqitish/test/validatsiya toʻplamlari bilan besh karra kross-validatsiyaning aniq qoʻllanish munosabati batafsil bayon qilinmagan.

Ishlash metrikalarining matematik tuzilishi

Confusion matrix da:

• \(TP\): toʻgʻri musbat,
• \(TN\): toʻgʻri manfiy,
• \(FP\): notoʻgʻri musbat,
• \(FN\): notoʻgʻri manfiy

deb belgilanadi.

Accuracy:

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

Jami namunalar ichida qanchasi toʻgʻri tasniflanganini oʻlchaydi. Sinflar yoki xato xarajatlari assimetrik boʻlganda accuracy ning oʻzi yetarli emas.

Precision:

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

Musbat deb tasniflangan namunalar ichida qanchasi haqiqatan musbat sinfga tegishli ekanini oʻlchaydi.

Recall:

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

Haqiqiy musbatlarning qanchasi model tomonidan aniqlanganini koʻrsatadi.

F1-score:

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

Precision va recall ning garmonik oʻrtachasi boʻlib, ikki xato yoʻnalishini bitta ishlash oʻlchovida birlashtiradi.

False Positive Rate:

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

Haqiqiy manfiy namunalar ichida adashib musbat sinfga tayinlanganlarning ulushini bildiradi.

False Negative Rate:

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

Haqiqiy musbat namunalar ichida model oʻtkazib yuborgan qismining ulushidir.

Matthews Correlation Coefficient:

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

MCC confusion matrix ning toʻrt komponentini birgalikda ishlatadi va ikkilik tasnif ishlashini bitta qiymatda umumlashtiradi.

Manbadagi AUC tenglamasining nomuvofiqligi

Manba 13-tenglamada quyidagi ifodani beradi:

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

Biroq ayni maqola boshqa joylarda AUC ni ROC egri chizigʻi ostidagi maydon deb ataydi va 5-rasmda ROC egri chiziqlari orqali AUC qiymatlarini koʻrsatadi. Shuning uchun 13-tenglamaning yozilishi bilan matn/grafikdagi AUC ishlatilishi oʻzaro toʻliq mos emas. Verianla bu tenglamani indamay boshqa formulaga aylantirmaydi va manba ichidagi nomuvofiqlikni koʻrinadigan holda qoldiradi.

Qaysi CNN-CBAM Modeli Eng Yuqori Natijani Koʻrsatdi?

Manba 1-jadvali va natijalar boʻlimiga koʻra YOLO8-CBAM accuracy 0,776, MCC 0,600 va AUC 0,912 bilan umuman tadqiqotning eng kuchli modeli sifatida tanlangan; biroq ResNet18-CBAM 0,792 bilan eng yuqori F1-score va 0,163 bilan eng past FNR qiymatiga ega. Shu sababli “eng yaxshi” bahosi ishlatilgan ishlash mezoniga bogʻliq va barcha mezonlarda bitta model ustun emas.

Yozuv qaydi: Manba 1-jadvali va ayrim rasm izohlarida YOLO8-CBAM uchun “Yolo8-CABM” shakli ham ishlatilgan. CBAM maqolada belgilangan canonical modul nomi boʻlgani sababli Verianla matnida ilmiy tushuncha YOLO8-CBAM tarzida saqlanadi, ammo manbadagi CABM yozilishi manba ichidagi yozuv farqi sifatida qayd etiladi.

Original CNN modellari nimani koʻrsatdi?

Uch original model orasida Model 3 eng yuqori natijani bergan: accuracy 0,746 va AUC 0,841. Model 1 ning accuracy qiymati 0,683, Model 2 niki 0,706.

Manba original CNN larda qatlamlar soni oshishi bilan tasnif sifati pasayish moyilligini koʻrsatganini va chuqurroq original tarmoqlar mavjud maʼlumotlar toʻplamiga moslashishda qiynalgan boʻlishi mumkinligini talqin qiladi. Bu natija faqat oʻrganilgan arxitekturalar va maʼlumotlar toʻplami uchun amal qiladi; “chuqur tarmoqlar ASD tasnifida umuman yomonroq” degan xulosani qoʻllab-quvvatlamaydi.

YOLO8-CBAM va ResNet18-CBAM

Ikki oldindan oʻqitilgan arxitektura bir-biriga yaqin accuracy qiymatlarini bergan: YOLO8-CBAM 0,776, ResNet18-CBAM 0,773. Biroq xato profillari farq qiladi. Manba 1-jadvaliga koʻra YOLO8-CBAM ning FPR qiymati 0,063, ResNet18-CBAM ning FPR qiymati 0,269. Aksincha ResNet18-CBAM ning FNR qiymati 0,163 boʻlib, YOLO8-CBAM ning 0,297 qiymatidan pastroq.

Bu assimetriya model tanlovi faqat accuracy asosida qilinmasligi kerakligini koʻrsatadi. Agar bir ilovada notoʻgʻri musbat va notoʻgʻri manfiy xatolarning nisbiy ahamiyati turlicha boʻlsa, ayni ikki model turlicha baholanishi mumkin.

Manbadagi YOLO8 va ResNet18 natijalarini moslashtirish muammosi

Manbaning 1-jadvali YOLO8-CBAM uchun AUC=0,912 va FPR=0,063; ResNet18-CBAM uchun AUC=0,878 va FPR=0,269 ni bildiradi. Biroq natijalar matnidagi bir jumla ResNet18-CBAM ga AUC=0,912 va FPR=0,063 ni tegishli deb beradi; ayni jumladagi %73,1 specificity esa FPR=0,269 bilan mos keladi.

5-rasm panellarining tartibida ham oʻxshash nomuvofiqlik bor: caption d2 panelini ResNet18-CBAM, e2 panelini YOLO8-CBAM deb ataydi, tasvirda esa d2 AUC=0,9120 va e2 AUC=0,8784 ni koʻrsatadi. Bular 1-jadvaldagi model tartibiga teskari keladi.

Shu sababli Verianla da raqamli taqqoslashning source-of-truth i sifatida 1-jadval va abstract/conclusion da takrorlangan asosiy YOLO8-CBAM qiymatlari olingan; 5-rasmdagi panel-model mosligi mustaqil tasdiqlangan maʼlumot sifatida ishlatilmagan.

Adabiyot bilan taqqoslash

Bu jadval adabiyotdagi natijalarni kontekstual taqqoslash uchun yonma-yon beradi. Manba barcha tadqiqotlar ayni maʼlumotlar toʻplami, maʼlumot boʻlinishi va tajriba protokolidan foydalanganini koʻrsatmagani sababli bu raqamlar nazorat qilingan boshma-bosh benchmark reytingi sifatida talqin qilinmasligi kerak.

Bu Natijalar Klinik Autizm Tashxisini Anglatadimi?

Yoʻq. Tadqiqot natijalari bitta yorliqlangan yuz tasvirlari maʼlumotlar toʻplamida CNN-CBAM modellarining ASD/non-ASD sinflarini ajratish samaradorligini koʻrsatadi; mustaqil klinik populyatsiyalarda diagnostik validlik, prospektiv skrining samaradorligi yoki real sogʻliqni saqlashda foydalanishga yaroqlilik tasdiqlanmagan. Mualliflar ham bitta maʼlumotlar toʻplami umumlashtirishni cheklashini va yangi, mutaxassislar koʻmagida yaratilgan maʼlumotlar toʻplamlarida qoʻshimcha tekshiruv zarurligini taʼkidlaydi.

Bitta maʼlumotlar toʻplami muammosi

Model bitta maʼlumotlar toʻplamida oʻqitilganda nafaqat ASD bilan bogʻliq boʻlishi mumkin boʻlgan vizual tuzilmalarni, balki maʼlumot yigʻish sharoitiga xos fon, yoritish, kamera, kesish, yosh taqsimoti yoki boshqa maʼlumotlar toʻplami xususiyatlari naqshlarini ham oʻrganishi mumkin. Manbaning cheklovlar boʻlimida bu muammo bevosita qayd etilgan: model maʼlumotlar toʻplamiga xos naqshlarni oʻrganishi va nomaʼlum maʼlumot taqsimotlarida ayni ishlashni koʻrsatmasligi mumkin.

Tashqi validatsiya

Tadqiqot alohida tashqi markaz yoki mustaqil real hayot populyatsiyasida model validatsiyasini bildirmaydi. Mualliflar kelajakda turli maʼlumotlar toʻplamlari, samaraliroq arxitekturalar va erta ASD baholashida mutaxassis klinik psixologlar hissasi bilan yaratiladigan yangi test maʼlumotlaridan foydalanishni taklif qiladi.

Hisoblash xarajati

Manba CNN tasnifi hisoblash nuqtayi nazaridan qimmat va vaqt talab etishini ham bildiradi. Koʻp sonli konvolyutsion qatlamlar, parametrlar va takroriy oʻqitish yuqori aniqlikdagi tasvirlarda yoki katta maʼlumotlar toʻplamlarida oʻqitish va inference vaqtini oshirishi mumkin. Bu real vaqt yoki resurs cheklangan muhitlarda foydalanish uchun qoʻshimcha cheklovdir.

Tadqiqot qoʻllab-quvvatlaydigan va qoʻllab-quvvatlamaydigan xulosalar

Manba va Usul Haqida Izoh

Maʼlumot/etika izohi: Maqolaning Institutional Review Board va informed consent maydonlari “Not applicable” deb berilgan. Shu bilan birga Data Availability Statement tasvirlarni qayta ishlash Helsinki Deklaratsiyasiga muvofiq amalga oshirilganini va manba protokoli Duke University Medical Center Center for Developmental Epidemiology tomonidan R01 MH081025 raqami bilan tasdiqlanganini bildiradi. Bu bayonotlar ehtimol mavjud/ikkilamchi maʼlumotlar toʻplamini qayta ishlatish konteksti bilan bogʻliq; maqola ikki bayonot orasidagi munosabatni alohida batafsil tushuntirmaydi.

6-rasm maʼlumot manbasi izohi: Maqolaning maʼlumotlar toʻplami boʻlimi tasnif maʼlumotlarini Zenodo yozuviga bogʻlasa, Grad-CAM uchun ishlatilgan 6-rasmdagi namunaviy tasvir National Institute of Mental Health Child Emotional Faces Picture Set (NIMH-ChEFS) dan olingani bildiriladi. Maqola ushbu rasm tasvirining asosiy tasnif maʼlumotlar toʻplami bilan munosabatini alohida batafsil bayon qilmaydi.

Muallif hissalari: Ioana Diana Moldovanu konseptuallashtirish, validatsiya, tadqiqot va maʼlumotlar kuratsiyasi; Ecaterina Popa metodologiya, formal tahlil, dastlabki qoralamani yozish va vizuallashtirish; Simona Moldovanu dasturiy taʼminot, resurslar, koʻrib chiqish/tahrirlash, nazorat va loyiha boshqaruvi vazifalarini bajargan. Barcha mualliflar nashr etilgan versiyani oʻqib, tasdiqlagani qayd etiladi.

Manba ichidagi izchillik izohi: 1-jadval, natijalar matni va 5-rasm oʻrtasida ayniqsa YOLO8-CBAM va ResNet18-CBAM ning AUC/FPR qiymatlarini moslashtirishda nomuvofiqlik bor. Bundan tashqari CBAM qisqartmasi ayrim joylarda CABM deb yozilgan. Verianla raqamli taqqoslashda 1-jadvalni asosiy manba sifatida olgan va ziddiyatlarni koʻrinadigan holda saqlagan.

Tenglama izohi: Manba 13-tenglamada AUC ni TP Rate / FP Rate shaklida yozadi; ayni maqolada AUC ROC egri chizigʻi ostidagi maydon sifatida qoʻllanadi. Manba ichidagi bu farq tuzatilgandek koʻrsatilmagan.

Qayta ishlab chiqarish izohi: Manba batch size, learning rate, epoch, tasvir oʻlchami, asosiy dasturiy kutubxonalar va besh karra kross-validatsiyani bildirar ekan, optimizer va loss function ni ochiq ko'rsatmaydi. Sobit oʻqitish/test/validatsiya boʻlinishi bilan besh karra kross-validatsiyaning qoʻllanish munosabati ham batafsil tushuntirilmagan.

Asosiy metodologik cheklov: Bitta maʼlumotlar toʻplamiga tayanish, mustaqil tashqi validatsiyaning yoʻqligi va real klinik amaliyotda prospektiv ishlash sinovdan oʻtkazilmagani sababli bildirilgan model metrikalari maʼlumotlar toʻplami doirasidagi tasniflash samaradorligi sifatida talqin qilinishi kerak.