Syvän neuroverkkorakenteen avulla voidaan tunnistaa ihon sairauksia kannettavalla tietokoneella

Houstonin yliopiston biolääketieteellisen tekniikan laitoksen perustaja-esimies on kehittänyt uuden syvän neuroverkkorakenteen, joka voi tarjota varhaisen diagnosoinnin systeemiselle sklerodermialle (SSc). SSc on harvinainen autoimmuunisairaus, joka aiheuttaa ihon ja sisäelinten kovettumista tai fibroosia.

Ehdotettu verkkorakenne on toteutettu standardikannettavalla tietokoneella, ja se voi välittömästi tunnistaa terveen ihon ja SSc:iin sairastuneen ihon väliset erot.

Tutkimus on julkaistu IEEE Open Journal of Engineering in Medicine and Biology -julkaisussa.

Metin Akay on John S. Dunnin nimeämä professori biolääketieteellisessä tekniikassa.

“Esitutkimuksemme, joka on tarkoitettu osoittamaan ehdotetun verkkorakenteen tehokkuutta, antaa lupaavia tuloksia SSc:n luonteen kuvaamisessa”, Akay sanoo.

“Uskomme, että ehdotettu verkkorakenne voisi helposti toteutua kliinisessä ympäristössä, tarjoten yksinkertaisen, halpaan ja tarkan seulontatyökalun SSc:lle.”

SSc ja varhainen diagnosointi

On erittäin tärkeää, että SSc diagnosoidaan aikaisin, mutta tämä on usein vaikeaa saavuttaa. Erilaiset tutkimukset osoittavat, että elinvauriot voivat tapahtua paljon aikaisemmin kuin aiemmin odotettiin, ja ne voivat ilmetä taudin varhaisessa vaiheessa.

Koska varhaisen diagnosoinnin ja taudin etenemisen määritys on haasteellista, jopa asiantuntijoiden keskuudessa, hoitoon ja kuntoutukseen liittyy usein pitkiä viiveitä.

Verkkorakenteen koulutus

Syvä oppiminen asettaa algoritmit kerroksiin, joita kutsutaan tekoälyverkoksi, joka voi tehdä omat päätöksensä. Tutkijat pyrkivät nopeuttamaan oppimisprosessia, joten he kouluttivat uuden verkkorakenteen käyttäen MobileNetV2:n parametreja, joka on mobiilivisio-ohjelma. Se on esikoulutettu 1,4 miljoonalla kuvalla ImageNet-tietokannasta. Koulutus kesti alle viisi tuntia.

“Kuvien skannauksen avulla verkkorakenne oppii olemassa olevista kuvista ja päättää, kumpi uusi kuva on normaali vai varhaisessa tai myöhäisessä taudin vaiheessa”, Akay sanoo.

Konvoluutio-neuroverkot (CNN), jotka ovat syvän oppimisen verkkorakenteita, ovat usein käytössä insinööritieteessä, biologiassa ja lääketieteessä. Ne eivät kuitenkaan ole saavuttaneet korkeaa menestystasoa biolääketieteellisissä sovelluksissa, koska niiden käyttö on ollut rajoitettua koulutusjoukkojen ja verkkorakenteiden koosta johtuen.

Akay ja hänen kumppaninsa Yasemin Akay yhdistivät UNet:n, joka on muokattu CNN-rakenne, lisäkerroksilla tämän haasteen voittamiseksi. He kehittivät myös mobiilikoulutusmoduulin, ja tulokset osoittivat, että ehdotettu syvä oppimisen arkkitehtuuri on tehokkaampi ja parempi kuin CNN:t SSc-kuvien luokittelussa.

Yasemin Akay on UH:n opetusapulaisprofessori biolääketieteellisessä tekniikassa.

“Hienosäätöämme jälkeen tulokset osoittivat, että ehdotettu verkkorakenne saavutti 100 %:n tarkin luokittelun koulutuskuva-aineistossa, 96,8 %:n tarkin luokittelun validointikuvissa ja 95,2 %:n tarkin luokittelun testikuvissa”, Akay sanoo.

Tutkimuksen tekijöihin kuuluvat myös Yong Du, Cheryl Shersen, Ting Chen ja Chanfra Mohan Houstonin yliopistosta. Siihen osallistuivat myös Minghua Wu ja Shervin Assassi Texasin yliopiston terveydenhuollon tieteellisestä keskuksesta (UT Health).