Red neuronal profunda puede detectar enfermedad de la piel en una laptop

Un nuevo arquitectura de red neuronal profunda que puede proporcionar un diagnóstico temprano de la esclerosis sistémica (SSc) está siendo reportada por el presidente fundador del Departamento de Ingeniería Biomédica de la Universidad de Houston. La SSc es una enfermedad autoinmune rara que causa piel y órganos internos endurecidos o fibrosos.

La red propuesta se implementa con una computadora portátil estándar, y puede reconocer inmediatamente las diferencias entre imágenes de piel saludable y piel con SSc.

La investigación se publicó en IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay es un profesor de ingeniería biomédica con la cátedra John S. Dunn.

“Nuestro estudio preliminar, destinado a mostrar la eficacia de la arquitectura de red propuesta, tiene un gran potencial en la caracterización de la SSc”, dice Akay.

“Creemos que la arquitectura de red propuesta podría implementarse fácilmente en un entorno clínico, proporcionando una herramienta de detección simple, económica y precisa para la SSc”.

SSc y diagnóstico temprano

Es extremadamente importante que la SSc se diagnostique temprano, pero esto a menudo es difícil de lograr. Varios estudios demuestran que la participación de órganos puede ocurrir mucho antes de lo que se esperaba, ocurriendo en la fase temprana de la enfermedad.

Debido a que es tan desafiante para incluso los médicos en centros especializados diagnosticar temprano y determinar la extensión de la progresión de la enfermedad, a menudo hay retrasos largos en la terapia y el tratamiento.

Entrenamiento del sistema

El aprendizaje profundo coloca algoritmos en capas, llamadas red neuronal artificial, que pueden tomar sus propias decisiones. Los investigadores se propusieron acelerar el proceso de aprendizaje, por lo que entrenaron la nueva red utilizando los parámetros de MobileNetV2, que es una aplicación de visión móvil. Está preentrenada con 1,4 millones de imágenes del conjunto de datos ImageNet. El tiempo de entrenamiento solo duró menos de cinco horas.

“Al escanear las imágenes, la red aprende de las imágenes existentes y decide qué nueva imagen es normal o en una etapa temprana o tardía de la enfermedad”, dijo Akay.

Las Redes Neuronales Convolucionales (CNN), que son parte de las redes de aprendizaje profundo, a menudo se confían en ingeniería, biología y medicina. Sin embargo, todavía no han alcanzado un alto nivel de éxito en aplicaciones biomédicas, ya que su uso ha sido limitado debido al tamaño de los conjuntos de entrenamiento y las redes disponibles.

Akay, junto con su socia Yasemin Akay, combinó la UNet, que es una arquitectura de CNN modificada, con capas adicionales para superar este desafío. Luego desarrollaron un módulo de entrenamiento móvil, y los resultados demostraron que la arquitectura de aprendizaje profundo propuesta es más eficiente y mejor que las CNN para clasificar imágenes de SSc.

Yasemin Akay es una profesora asociada de instrucción de ingeniería biomédica de la Universidad de Houston.

“Después de afinar, nuestros resultados mostraron que la red propuesta alcanzó una precisión del 100% en el conjunto de imágenes de entrenamiento, 96,8% en el conjunto de imágenes de validación y 95,2% en el conjunto de imágenes de prueba”, dijo Akay.

Los coautores del artículo incluyeron a Yong Du, Cheryl Shersen, Ting Chen y Chanfra Mohan de la Universidad de Houston. También involucró a Minghua Wu y Shervin Assassi del Centro de Ciencias de la Salud de la Universidad de Texas (UT Health).