本研究提出了一种基于深度学习的猴痘自动检测框架，采用Xception架构和非洲秃鹫算法，猴痘皮肤损伤图像分类准确率达到97.53%，显著提升了诊断效率和可解释性。

本研究提出了一种新颖的猴痘诊断方法RS-FME-SwinT，结合了残差学习和空间卷积神经网络，克服了传统检测方法的灵敏度低、成本高和工作量大的问题。该方法在准确率、灵敏度和精确度上均优于现有技术，准确率达到97.80%。

2024年8月14日，世界卫生组织宣布刚果民主共和国和非洲其他地区的猴痘疫情构成国际关注的突发公共卫生事件。本年度已报告超过15600例猴痘病例，包括537起死亡病例。猴痘是一种人畜共患病，症状包括发烧、疲劳、头痛、肌肉酸痛和皮疹。猴痘病毒通过接触皮疹、痂皮或体液、呼吸道飞沫以及胎盘传播。尚无特效药或疫苗，但天花疫苗可提供一定程度的防护。

本文开发了猴痘皮肤病变数据集，并利用深度学习模型进行分类，创建了在线筛查工具。研究表明，预训练模型能提高猴痘及其他疾病的检测准确性，特别是在医疗资源匮乏地区。

本研究利用深度学习技术建立了猴痘及其他感染性皮肤病的图像数据集，开发了多种模型以提高早期筛查的准确率。通过迁移学习和优化卷积神经网络，研究实现了高达96.71%的检测准确率，并开发了在线筛查工具和智能手机应用，以支持低收入国家的医疗需求。