Dyb Neuralt Netværk Kan Screen for Hudsygdom på Laptop

En ny dyb neuralt netværksarkitektur, der kan give tidlig diagnose af systemisk sklerose (SSc), er blevet rapporteret af grundlæggeren af Biomedical Engineering Department på University of Houston. SSc er en sjælden autoimmun sygdom, der forårsager hård eller fiberagtig hud og indre organer. 

Det foreslåede netværk er implementeret med en standard laptop-computer, og det kan straks genkende forskellen mellem billeder af sund hud og hud med SSc.

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

Metin Akay er en John S. Dunn Endowed Chair Professor of biomedical engineering. 

“Vores præliminære studie, der er beregnet til at vise effekten af det foreslåede netværksarkitektur, holder løftet i karakteriseringen af SSc,” siger Akay. 

“Vi tror, at det foreslåede netværksarkitektur let kan implementeres i en klinisk sammenhæng, og give en enkel, billig og præcis screeningsværktøj for SSc.”

SSc og tidlig diagnose

Det er ekstremt vigtigt, at SSc diagnosticeres tidligt, men dette er ofte svært at opnå. Forskellige studier viser, at organskade kan optræde meget tidligere, end forventet, og dette sker i den tidlige fase af sygdommen. 

Fordi det er så svært for selv læger på specialiserede centre at diagnosticere tidligt og bestemme omfanget af sygdomsforløbet, er der ofte lange forsinkelser i terapi og behandling.

Træning af systemet

Dybe neurale netværk lægger algoritmer i lag, kaldet det kunstige neurale netværk, der kan træffe sine egne beslutninger. Forskerne satte sig for at accelerere læreprocessen, så de trænede det nye netværk med parametrene fra MobileNetV2, der er en mobil vision-applikation. Den er forudtrænet med 1,4 millioner billeder fra ImageNet-datasættet. Træningstiden varede kun under fem timer.

“Ved at scannen billederne, lærer netværket af de eksisterende billeder og beslutter, hvilket nyt billede er normalt eller i en tidlig eller sen fase af sygdommen,” sagde Akay.

Convolutional Neural Networks (CNN’er), der er en del af dybe neurale netværk, bruges ofte i ingeniørvidenskab, biologi og medicin. Men de har endnu ikke nået et højt niveau af succes i biomedicinske anvendelser, da deres brug har været begrænset på grund af størrelsen af træningssæt og netværk. 

Akay, sammen med partner Yasemin Akay, kombinerede UNet, der er en modificeret CNN-arkitektur, med tilføjede lag for at overvinde denne udfordring. De udviklede herefter en mobil træningsmodul, og resultaterne viste, at den foreslåede dybe neurale netværksarkitektur er mere effektiv og bedre end CNN’er til at klassificere SSc-billeder.

Yasemin Akay er en UH-instruktørprofessor i biomedical engineering. 

“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.

Artiklens medforfattere inkluderede 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).