Deep Neural Network kan screene for hudsygdomme på bærbar computer

En ny dyb neural netværksarkitektur, der kan give tidlig diagnose af systemisk sklerose (SSc), bliver rapporteret af grundlæggeren af ​​afdelingen for biomedicinsk ingeniørvidenskab ved University of Houston. SSc er en sjælden autoimmun sygdom, der forårsager hærdet eller fibrøs hud og indre organer. 

Det foreslåede netværk er implementeret med en standard bærbar computer, og det kan umiddelbart genkende forskellene mellem billeder af sund hud og hud med SSc.

Forskningen blev offentliggjort i IEEE Open Journal of Engineering in Medicine and Biology. 

Metin Akay er professor i biomedicinsk ingeniørvidenskab, John S. Dunn. 

"Vores foreløbige undersøgelse, der har til formål at vise effektiviteten af ​​den foreslåede netværksarkitektur, lover godt i karakteriseringen af ​​SSc," siger Akay. 

"Vi mener, at den foreslåede netværksarkitektur let kunne implementeres i en klinisk setting, hvilket giver et enkelt, billigt og præcist screeningsværktøj til SSc."

SSc og tidlig diagnose

Det er ekstremt vigtigt for SSc at blive diagnosticeret tidligt, men det er ofte svært at opnå. Forskellige undersøgelser viser, at organinvolvering kan finde sted meget hurtigere end tidligere forventet, hvilket sker i den tidlige fase af sygdommen. 

Fordi det er så udfordrende for selv læger på ekspertcentre at diagnosticere tidligt og bestemme omfanget af sygdomsprogressionen, er der ofte lange forsinkelser i terapi og behandling.

Træning af systemet

Deep learning lægger algoritmer i lag, kaldet det kunstige neurale netværk, som kan træffe sine egne beslutninger. Forskerne satte sig for at fremskynde læringsprocessen, så de trænede det nye netværk ved hjælp af parametrene i MobileNetV2, som er en mobil vision-applikation. Den er fortrænet med 1.4 millioner billeder fra ImageNet-datasættet. Træningstiden varede kun under fem timer.

"Ved at scanne billederne lærer netværket af de eksisterende billeder og beslutter, hvilket nyt billede der er normalt eller i et tidligt eller sent stadium af sygdommen," sagde Akay.

Convolutional Neural Networks (CNN'er), som er blandt deep learning-netværk, er ofte afhængige af inden for teknik, biologi og medicin. De har dog stadig ikke nået et højt niveau af succes i biomedicinske applikationer, da deres anvendelse har været begrænset på grund af størrelsen af ​​træningssæt og tilgængelige netværk. 

Akay kombinerede sammen med partneren Yasemin Akay UNet, som er en modificeret CNN-arkitektur, med tilføjede lag for at overvinde denne udfordring. De udviklede derefter et mobilt træningsmodul, og resultaterne viste, at den foreslåede deep learning-arkitektur er mere effektiv og bedre end CNN'er, når det kommer til at klassificere SSc-billeder.

Yasemin Akay er en UH-instruktionslektor i biomedicinsk teknik. 

"Efter finjustering viste vores resultater, at det foreslåede netværk nåede 100 % nøjagtighed på træningsbilledsættet, 96.8 % nøjagtighed på valideringsbilledsættet og 95.2 % på testbilledsættet," sagde Akay.

Avisens medforfattere omfattede Yong Du, Cheryl Shersen, Ting Chen og Chanfra Mohan fra University of Houston. Det involverede også Minghua Wu og Shervin Assassi fra University of Texas Health Science Center (UT Health).