Tiefes Neuronales Netzwerk kann Hautkrankheiten auf Laptop erkennen

Ein neues tiefes neuronales Netzwerkarchitektur, das eine frühzeitige Diagnose von systemischer Sklerose (SSc) ermöglichen kann, wird von dem Gründungsvorsitzenden des Biomedical Engineering Department an der University of Houston berichtet. SSc ist eine seltene Autoimmunerkrankung, die zu verhärteter oder faseriger Haut und inneren Organen führt.

Das vorgeschlagene Netzwerk wird mit einem Standard-Laptop-Computer implementiert und kann sofort die Unterschiede zwischen Bildern von gesunder Haut und Haut mit SSc erkennen.

Die Forschung wurde in der IEEE Open Journal of Engineering in Medicine and Biology veröffentlicht.

Metin Akay ist ein John S. Dunn Endowed Chair Professor für Biomedizinische Ingenieurwesen.

“Unsere vorläufige Studie, die die Wirksamkeit der vorgeschlagenen Netzwerkarchitektur zeigen soll, hält vielversprechendes Potenzial für die Charakterisierung von SSc”, sagt Akay.

“Wir glauben, dass die vorgeschlagene Netzwerkarchitektur leicht in einem klinischen Umfeld implementiert werden könnte, um ein einfaches, preisgünstiges und genaues Screening-Tool für SSc bereitzustellen.”

SSc und Früherkennung

Es ist extrem wichtig, dass SSc frühzeitig diagnostiziert wird, aber dies ist oft schwierig zu erreichen. Verschiedene Studien zeigen, dass eine Organbeteiligung viel früher als erwartet auftreten kann, bereits in der Frühphase der Krankheit.

Da es selbst für Ärzte in Expertenzentren schwierig ist, frühzeitig zu diagnostizieren und den Umfang der Krankheitsprogression zu bestimmen, gibt es oft lange Verzögerungen in der Therapie und Behandlung.

Trainingsphase

Deep Learning legt Algorithmen in Schichten, die als künstliches neuronales Netzwerk bezeichnet werden, das eigene Entscheidungen treffen kann. Die Forscher versuchten, den Lernprozess zu beschleunigen, indem sie das neue Netzwerk mit den Parametern von MobileNetV2 trainierten, einer mobilen Vision-Anwendung. Es ist vorab mit 1,4 Millionen Bildern aus dem ImageNet-Datensatz trainiert. Die Trainingszeit dauerte weniger als fünf Stunden.

“Durch das Scannen der Bilder lernt das Netzwerk aus den vorhandenen Bildern und entscheidet, welches neue Bild normal oder in einem frühen oder späten Stadium der Krankheit ist”, sagte Akay.

Convolutional Neural Networks (CNNs), die zu den Deep-Learning-Netzwerken gehören, werden oft in der Ingenieurwissenschaft, Biologie und Medizin eingesetzt. Sie haben jedoch noch nicht einen hohen Erfolg in biomedizinischen Anwendungen erzielt, da ihre Verwendung durch die Größe der Trainingsmengen und verfügbaren Netzwerke begrenzt ist.

Akay, zusammen mit seinem Partner Yasemin Akay, kombinierte die UNet, eine modifizierte CNN-Architektur, mit zusätzlichen Schichten, um diese Herausforderung zu überwinden. Sie entwickelten dann ein mobiles Trainingsmodul, und die Ergebnisse zeigten, dass die vorgeschlagene Deep-Learning-Architektur effizienter und besser als CNNs bei der Klassifizierung von SSc-Bildern ist.

Yasemin Akay ist eine UH-Dozentin für Biomedizinische Ingenieurwesen.

“Nach der Feinabstimmung zeigten unsere Ergebnisse, dass das vorgeschlagene Netzwerk eine Genauigkeit von 100% auf dem Trainingsbildsatz, 96,8% auf dem Validierungsbildsatz und 95,2% auf dem Testbildsatz erreicht hat”, sagte Akay.

Die Co-Autoren der Studie umfassten Yong Du, Cheryl Shersen, Ting Chen und Chanfra Mohan von der University of Houston. Es waren auch Minghua Wu und Shervin Assassi von der University of Texas Health Science Center (UT Health) beteiligt.