Hluboká neuronová síť může screenovat kožní onemocnění na laptopu

Nová architektura hluboké neuronové sítě, která může poskytnout časnou diagnózu systémové sklerózy (SSc), je hlášena zakládajícím předsedou katedry biomedicínského inženýrství na University of Houston. SSc je vzácné autoimunitní onemocnění, které způsobuje ztuhnutí nebo vláknitou kůži a vnitřní orgány.

Navrhovaná síť je implementována se standardním laptopem a může okamžitě rozpoznat rozdíly mezi obrázky zdravé kůže a kůže s SSc.

Výzkum byl zveřejněn v IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay je John S. Dunn Endowed Chair Professor of biomedicínského inženýrství.

“Naše předběžná studie, určená k prokázání účinnosti navrhované sítě, slibuje charakterizaci SSc,” říká Akay.

“Věříme, že navrhovaná síťová architektura by mohla být snadno implementována v klinickém prostředí, poskytující jednoduchý, levný a přesný screeningový nástroj pro SSc.”

SSc a časná diagnóza

Je extrémně důležité, aby SSc byla diagnostikována brzy, ale to je často obtížné dosáhnout. Různé studie prokázaly, že zapojení orgánů může nastat mnohem dříve, než se očekávalo, a to v rané fázi onemocnění.

Protože je tak obtížné pro lékaře v odborných centrech diagnostikovat brzy a určit rozsah progrese onemocnění, často dochází k dlouhým prodlevám v terapii a léčbě.

Školení systému

Hluboké učení vkládá algoritmy do vrstev, nazývaných umělá neuronová síť, která může učinit své vlastní rozhodnutí. Vědci se snažili urychlit proces učení, a proto trénovali novou síť pomocí parametrů MobileNetV2, což je mobilní aplikace pro vidění. Je předtrénována s 1,4 milionem obrázků z datové sady ImageNet. Doba tréninku trvala méně než pět hodin.

“Při skenování obrázků se síť učí z existujících obrázků a rozhoduje, zda je nový obrázek normální nebo v rané nebo pozdní fázi onemocnění,” řekl Akay.

Konvoluční neuronové sítě (CNN), které jsou mezi hlubokými učeními, se často používají v inženýrství, biologii a medicíně. Nicméně, dosud nedosáhly vysoké úrovně úspěchu v biomedicínských aplikacích, protože jejich použití bylo omezeno velikostí trénovacích sad a dostupných sítí.

Akay, spolu se svým partnerem Yasemin Akay, kombinoval UNet, což je modifikovaná architektura CNN, s přidáním vrstev, aby překonal tuto výzvu. Poté vyvinuli mobilní tréninkový modul a výsledky prokázaly, že navrhovaná hluboká učení architektura je efektivnější a lepší než CNN při klasifikaci obrázků SSc.

Yasemin Akay je UH instruktorka profesorka biomedicínského inženýrství.

“Po jemném ladění našich výsledků jsme dosáhli 100% přesnosti na trénovací sadě obrázků, 96,8% přesnosti na validační sadě obrázků a 95,2% na testovací sadě obrázků,” řekl Akay.

Spoluautoři článku zahrnovali Yong Du, Cheryl Shersen, Ting Chen a Chanfra Mohan z University of Houston. Zúčastnili se také Minghua Wu a Shervin Assassi z University of Texas Health Science Center (UT Health).