Βαθιά Νευρωνικό Δίκτυο Μπορεί να Ελέγχει τη Νόσο του Δέρματος σε Λάπτοπ

Μια νέα αρχιτεκτονική βαθιάς νευρωνικής δικτύου που μπορεί να παρέχει πρώιμη διάγνωση της συστηματικής σκληρόδερμας (SSc) αναφέρεται από τον ιδρυτικό πρόεδρο του Τμήματος Βιοϊατρικής Μηχανικής στο Πανεπιστήμιο του Χιούστον. Η SSc είναι μια σπάνια αυτοάνοση νόσος που προκαλεί σκληρύνση ή ινώδη δέρμα και εσωτερικά όργανα.

Το προτεινόμενο δίκτυο εφαρμόζεται με ένα τυπικό λάπτοπ και μπορεί να αναγνωρίσει αμέσως τις διαφορές μεταξύ εικόνων υγιούς δέρματος και δέρματος με SSc.

Η έρευνα δημοσιεύθηκε στο IEEE Open Journal of Engineering in Medicine and Biology.

Ο Metin Akay είναι καθηγητής του Biomedical Engineering με τη υποστήριξη του John S. Dunn.

“Η προκαταρκτική μας μελέτη, που είχε ως στόχο να δείξει την αποτελεσματικότητα της προτεινόμενης αρχιτεκτονικής δικτύου, έχει υποσχέσεις στην χαρακτηριστική της SSc,” λέει ο Akay.

“Πιστεύουμε ότι η προτεινόμενη αρχιτεκτονική δικτύου θα μπορούσε να εφαρμοστεί εύκολα σε κλινική ρύθμιση, παρέχοντας ένα απλό, φθηνό και ακριβή εργαλείο για τη διάγνωση της SSc.”

SSc και Πρώιμη Διάγνωση

Είναι εξαιρετικά σημαντικό η SSc να διαγνώσκεται πρώιμα, αλλά αυτό είναι συχνά δύσκολο να επιτευχθεί. Various μελέτες δείχνουν ότι η συμμετοχή των οργάνων μπορεί να συμβεί πολύ νωρίτερα από ότι αναμενόταν, συμβαίνει στη πρώιμη φάση της νόσου.

Επειδή είναι τόσο δύσκολο ακόμη και για γιατρούς σε εξειδικευμένα κέντρα να διαγνώσουν πρώιμα και να καθορίσουν το βαθμό της πρόοδου της νόσου, υπάρχουν συχνά μεγάλες καθυστερήσεις στη θεραπεία και την αντιμετώπιση.

Εκπαίδευση του Συστήματος

Η βαθιά μάθηση τοποθετεί αλγόριθμους σε στρώματα, τα οποία ονομάζονται τεχνητά νευρωνικά δίκτυα, τα οποία μπορούν να λάβουν τις δικές τους αποφάσεις. Οι ερευνητές προσπάθησαν να επιταχύνουν τη διαδικασία μάθησης, έτσι εκπαιδεύτηκαν το νέο δίκτυο χρησιμοποιώντας τις παραμέτρους του MobileNetV2, το οποίο είναι μια εφαρμογή οπτικής για κινητά. Είναι προ-εκπαιδευμένο με 1,4 εκατομμύρια εικόνες από το σύνολο δεδομένων ImageNet. Ο χρόνος εκπαίδευσης διαρκούσε λιγότερο από πέντε ώρες.

“Σκανάροντας τις εικόνες, το δίκτυο μαθαίνει από τις υπάρχουσες εικόνες και αποφασίζει ποια νέα εικόνα είναι φυσιολογική ή σε πρώιμο ή 晩期 της νόσου,” είπε ο Akay.

Τα Συμβολικά Νευρωνικά Δίκτυα (CNNs), τα οποία είναι μεταξύ των βαθιών μαθηματικών δικτύων, συχνά χρησιμοποιούνται στη μηχανική, τη βιολογία και την ιατρική. Ωστόσο, δεν έχουν ακόμη φτάσει σε υψηλό επίπεδο επιτυχίας στις βιοϊατρικές εφαρμογές, καθώς η χρήση τους έχει περιοριστεί λόγω του μεγέθους των συνόλων εκπαίδευσης και των δικτύων που διατίθενται.

Ο Akay, μαζί με την συνεργάτιδά του Yasemin Akay, συνδύασε το UNet, το οποίο είναι μια τροποποιημένη αρχιτεκτονική CNN, με πρόσθετα στρώματα για να υπερβεί αυτή την πρόκληση. Στη συνέχεια ανέπτυξαν ένα κινητό μοντέλο εκπαίδευσης και τα αποτελέσματα έδειξαν ότι η προτεινόμενη αρχιτεκτονική βαθιάς μάθησης είναι πιο αποτελεσματική και καλύτερη από τα CNNs όταν πρόκειται για την ταξινόμηση εικόνων SSc.

Η Yasemin Akay είναι αναπληρωτής καθηγητής του Τμήματος Βιοϊατρικής Μηχανικής στο Πανεπιστήμιο του Χιούστον.

“Μετά την επιμελή εκπαίδευση, τα αποτελέσματά μας έδειξαν ότι το προτεινόμενο δίκτυο έφτασε στο 100% ακρίβεια στο σύνολο εκπαίδευσης, 96,8% ακρίβεια στο σύνολο επαλήθευσης και 95,2% στο σύνολο δοκιμής,” είπε ο Akay.

Οι συν-συγγραφείς της εργασίας περιελάμβαναν τους Yong Du, Cheryl Shersen, Ting Chen και Chanfra Mohan από το Πανεπιστήμιο του Χιούστον. Επίσης, συμμετείχαν οι Minghua Wu και Shervin Assassi από το Πανεπιστήμιο του Τέξας, Κέντρο Επιστημών Υγείας (UT Health).