《Biomedical Signal Processing and Control》：Efficient detection of tomato flu skin lesions with cuckoo search clustering and non-negative matrix factorization
编辑推荐：
阿克沙亚·库马尔·曼达尔（Akshaya Kumar Mandal）|潘卡杰·库马尔·德瓦·萨尔马（Pankaj Kumar Deva Sarma）|萨奇丹南达·德胡里（Satchidananda Dehuri）印度贾坎德邦兰契市乌莎马丁大学（Usha Martin Univer
阿克沙亚·库马尔·曼达尔（Akshaya Kumar Mandal）|潘卡杰·库马尔·德瓦·萨尔马（Pankaj Kumar Deva Sarma）|萨奇丹南达·德胡里（Satchidananda Dehuri）
印度贾坎德邦兰契市乌莎马丁大学（Usha Martin University）计算与信息技术学院，邮编835103
摘要
皮肤是人体最重要的器官，作为抵御外部病原体的主要屏障，因此特别容易受到传染病的侵袭。近年来，由于新型病毒性感染的持续出现和传播，全球医疗系统面临日益严峻的挑战，这些感染包括多种新冠病毒变种、猴痘病毒以及2022年首次在印度喀拉拉邦发现的新型“番茄流感”皮肤病。番茄流感会导致肌肉无力、疲劳、发热，并在皮肤上出现红色、圆形、类似番茄的水疱，这些症状可以通过视觉观察和图像分析进行诊断。随着仿生计算技术在医学应用中的广泛采用，图像处理和机器学习方法已成为自动化检测和分类皮肤疾病的关键工具。本研究提出了一种新的仿生方法，结合了杜鹃搜索聚类（Cuckoo Search Clustering, CSC）、非负矩阵分解（Non-negative Matrix Factorization, NMF）和支持向量机（Support Vector Machines, SVM），以准确检测和分类番茄流感及相关皮肤病变。CSC用于增强肤色、纹理和颜色等关键图像特征，有助于特征聚类和分割；NMF用于提取非负特征并降低高维皮肤病变图像的维度，从而得到简单、稀疏且易于解释的特征。这些特征作为输入输入到SVM分类器中，通过减少噪声和冗余信息来区分感染皮肤与健康皮肤，同时保留重要的临床特征。实验结果表明，所提出的CSC–NMF–SVM框架的性能优于传统方法，检测准确率高达97.39%，证明了其在皮肤病早期诊断和临床决策支持中的有效性和可靠性。
引言
番茄流感是一种新近发现的病毒性疾病，于2022年5月6日首次在印度喀拉拉邦的科拉姆（Kollam）地区被观察到[1][2][3]。随后几周内，该疾病在泰米尔纳德邦（Tamil Nadu）、哈里亚纳邦（Haryana）和奥里萨邦（Orissa）等印度其他地区也发现了确诊病例，表明病原体已扩散出最初爆发区域[4]。初步研究表明，番茄流感属于肠病毒科（Enteroviridae），被认为是手足口病（Hand, Foot, and Mouth Disease, HFMD）的新变种，主要影响婴儿、儿童和免疫系统较弱的人群[5]。其名称源于患者口腔、手部和脚部会出现典型的红色、类似番茄的水疱，这是HFMD感染的典型症状。
临床上，番茄流感表现为发热、疲劳、关节疼痛、肌肉无力和皮肤皮疹等症状。医疗专业人员通常通过评估患者的年龄（通常在1至5岁之间）、报告的症状以及特征性的红色水疱来区分HFMD和其他引起口腔溃疡的疾病[1][2][3][4][5]。实验室诊断可能需要采集咽喉或粪便样本以确定病毒病原体，但结果的分析和确认通常需要5至7天时间[5]。因此，在疫情调查期间推荐进行此类检测，以支持监测和实施预防措施。根据印度卫生与家庭福利部（MHFW）的指南，应在感染后48小时内采集咽喉或鼻咽样本以提高诊断准确性[2][3]。
番茄流感相关的皮肤病变最常见于手掌、牙龈、舌头、脸颊内侧和脚底。尽管其临床表现可能与其他病毒性感染（如新冠病毒或猴痘病毒）相似，但番茄流感由不同的病原体引起，与SARS-CoV-2或猴痘病毒没有遗传关系[6][7]。最新研究还表明，曾患登革热或基孔肯雅热（chikungunya fever）的儿童可能会并发番茄流感，这凸显了免疫脆弱性在疾病进展中的作用[8]。这些重叠的症状和可能的共感染现象使得仅依赖传统临床评估时难以进行早期诊断。
为了实现番茄流感及相关皮肤感染的早期和可靠检测，皮肤病学研究越来越多地采用仿生计算技术。本研究提出了一个综合的仿生模型，结合了杜鹃搜索聚类（CSC）、非负矩阵分解（NMF）和支持向量机（SVM）来检测番茄流感[9][10][11]。CSC算法借鉴了雌性杜鹃的产卵和孵化行为，通过螺旋式超参数调整平衡了探索与利用，从而实现高效聚类和最优特征选择。NMF作为基本数学工具，用于从高维皮肤病变图像中提取非负特征并降低维度，生成简单、稀疏且易于解释的特征。这些特征作为输入输入到SVM分类器中，通过减少噪声和冗余信息来区分感染皮肤和健康皮肤，同时保留重要临床特征。实验结果表明，所提出的CSC–NMF–SVM模型优于传统机器学习方法，具有更高的准确率、稳定性和可靠性，为皮肤病早期诊断和临床决策支持提供了有力支持。
章节片段
许多研究致力于探索仿生图像处理和机器学习技术在疾病检测和分类中的应用，特别是那些在皮肤上可见的疾病。这些方法利用人工智能的进步提高了诊断准确性，减少了对手动检查的依赖，并支持早期疾病识别。在病毒性皮肤感染的背景下，穆克吉（Mukherjee）等人[7]报告了关于手足口病（HFMD）的研究
本研究的理论基础强调了仿生机器学习和图像识别模型在有效皮肤疾病分类和检测中的应用。其中，杜鹃搜索（Cuckoo Search, CS）算法因适用于复杂分类问题而受到关注，该算法将候选解决方案建模为巢穴，每个巢穴代表一组独特的参数[9][10]。这一算法灵感来源于杜鹃鸟的自然繁殖行为
本节介绍了一个用于自动检测番茄流感的集成框架，如图3所示。所提出的CSC–NMF–SVM模型包括多个阶段：图像采集和预处理以提升图像质量，接着使用GLCM（Gaussian Linear Color Mapping）提取具有区分性的纹理信息，然后通过杜鹃搜索聚类（CSC）选择最相关的特征并减少冗余[9][10]
本研究主要将问题构建为一个多类分类问题，涉及七种不同的皮肤疾病类别，以确保在视觉上相似的皮肤病之间进行全面学习和区分，包括番茄流感、水痘、麻疹等。这种广泛的分类设置有助于模型捕捉类别间的差异，提高其在实际诊断场景中的稳健性。然而，鉴于核心研究目标是准确
研究结果表明，所提出的CSC–NMF–SVM方法在自动检测和分类番茄流感及相关皮肤疾病方面具有高效性。97.39%的准确率、99.69%的精确度、97.11%的召回率和98.38的F1分数表明，该模型在多个评估指标上表现出色。与传统仿生和机器学习方法相比，该方法有显著改进
本研究提出了一种混合型的CSC方法，利用皮肤图像数据自动检测番茄流感和其他痘类相关皮肤感染。所开发的CSC-NMF-SVM方法采用了迁移学习策略，并与四种广泛采用的预训练深度学习模型以及传统的仿生优化算法（包括遗传算法GA、CSC和PSO）进行了对比[10][41][39]。实验结果表明，CSC-NMF-SVM模型的性能优于所有对比方法
阿克沙亚·库马尔·曼达尔（Akshaya Kumar Mandal）：负责撰写——审核与编辑、撰写——初稿、可视化、验证、软件开发、资源准备、方法论设计、数据分析、概念构建。潘卡杰·库马尔·德瓦·萨尔马（Pankaj Kumar Deva Sarma）：负责撰写——审核与编辑、方法论设计、数据分析、研究实施、数据分析。萨奇丹南达·德胡里（Satchidananda Dehuri）：负责撰写——审核与编辑、方法论设计、研究实施、数据分析。
本研究未获得公共部门、商业部门或非营利机构的任何特定资助。
作者声明，他们没有已知的利益冲突或个人关系可能会影响本文的研究结果。
