Réseau neuronal profond peut dépister les maladies de la peau sur un ordinateur portable

Une nouvelle architecture de réseau neuronal profond capable de fournir un diagnostic précoce de la sclérodermie systémique (SSc) est rapportée par le fondateur du département de génie biomédical de l’Université de Houston. La SSc est une maladie auto-immune rare qui provoque une peau et des organes internes durcis ou fibreux.

Le réseau proposé est mis en œuvre avec un ordinateur portable standard, et il peut immédiatement reconnaître les différences entre les images de peau saine et de peau atteinte de SSc.

La recherche a été publiée dans IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay est un professeur titulaire de la chaire John S. Dunn en génie biomédical.

“Notre étude préliminaire, destinée à montrer l’efficacité de l’architecture de réseau proposée, est prometteuse pour la caractérisation de la SSc”, déclare Akay.

“Nous croyons que l’architecture de réseau proposée pourrait être facilement mise en œuvre dans un contexte clinique, fournissant un outil de dépistage simple, peu coûteux et précis pour la SSc.”

SSc et diagnostic précoce

Il est extrêmement important que la SSc soit diagnostiquée précocement, mais cela est souvent difficile à réaliser. Diverses études démontrent que l’implication des organes peut se produire beaucoup plus tôt que prévu, se produisant dans la phase précoce de la maladie.

Parce que cela est si difficile même pour les médecins des centres d’experts pour diagnostiquer précocement et déterminer l’étendue de la progression de la maladie, il y a souvent des retards importants dans la thérapie et le traitement.

Formation du système

L’apprentissage profond met les algorithmes en couches, appelées réseau neuronal artificiel, qui peut prendre ses propres décisions. Les chercheurs se sont efforcés d’accélérer le processus d’apprentissage, ils ont donc formé le nouveau réseau en utilisant les paramètres de MobileNetV2, qui est une application de vision mobile. Il est pré-formé avec 1,4 million d’images de l’ensemble de données ImageNet. Le temps de formation n’a duré moins de cinq heures.

“En scannant les images, le réseau apprend des images existantes et décide quelle nouvelle image est normale ou en phase précoce ou tardive de la maladie”, a déclaré Akay.

Les réseaux de neurones convolutionnels (CNN), qui font partie des réseaux d’apprentissage profond, sont souvent utilisés en ingénierie, en biologie et en médecine. Cependant, ils n’ont pas encore atteint un niveau élevé de réussite dans les applications biomédicales, car leur utilisation a été limitée en raison de la taille des ensembles de formation et des réseaux disponibles.

Akay, ainsi que son partenaire Yasemin Akay, ont combiné l’UNet, qui est une architecture de CNN modifiée, avec des couches supplémentaires pour surmonter ce défi. Ils ont ensuite développé un module de formation mobile, et les résultats ont démontré que l’architecture d’apprentissage profond proposée est plus efficace et meilleure que les CNN pour la classification des images de SSc.

Yasemin Akay est un professeur associé d’enseignement en génie biomédical à l’UH.

“Après une fine mise au point, nos résultats ont montré que le réseau proposé a atteint 100 % de précision sur l’ensemble d’images de formation, 96,8 % de précision sur l’ensemble d’images de validation et 95,2 % sur l’ensemble d’images de test”, a déclaré Akay.

Les co-auteurs de l’article comprenaient Yong Du, Cheryl Shersen, Ting Chen et Chanfra Mohan de l’Université de Houston. Il impliquait également Minghua Wu et Shervin Assassi du Centre des sciences de la santé de l’Université du Texas (UT Health).