Jaringan Saraf Dalam Bisa Mendeteksi Penyakit Kulit pada Laptop

Arsitektur jaringan saraf dalam yang baru dapat memberikan diagnosis dini dari sklerosis sistemik (SSc) dilaporkan oleh ketua pendiri Departemen Teknik Biomedis di Universitas Houston. SSc adalah penyakit autoimun yang jarang terjadi yang menyebabkan kulit dan organ internal mengeras atau menjadi berserat.

Jaringan yang diusulkan diimplementasikan dengan komputer laptop standar, dan dapat segera mengenali perbedaan antara gambar kulit sehat dan kulit dengan SSc.

Penelitian ini dipublikasikan di IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay adalah Profesor John S. Dunn Endowed Chair of teknik biomedis.

“Studi awal kami, yang dimaksudkan untuk menunjukkan efikasi arsitektur jaringan yang diusulkan, menjanjikan dalam karakterisasi SSc,” kata Akay.

“Kami percaya bahwa arsitektur jaringan yang diusulkan dapat dengan mudah diimplementasikan dalam pengaturan klinis, menyediakan alat skrining sederhana, murah, dan akurat untuk SSc.”

SSc dan Diagnosis Dini

Sangat penting untuk SSc didiagnosis secara dini, tetapi ini sering sulit dicapai. Berbagai studi menunjukkan bahwa keterlibatan organ dapat terjadi jauh lebih awal dari yang diharapkan, terjadi pada fase awal penyakit.

Karena sangat sulit bagi bahkan dokter di pusat-pusat ahli untuk mendiagnosis secara dini dan menentukan sejauh mana perkembangan penyakit, sering terjadi keterlambatan dalam terapi dan pengobatan.

Melatih Sistem

Pembelajaran dalam memasukkan algoritma ke dalam lapisan, disebut jaringan saraf buatan, yang dapat membuat keputusan sendiri. Peneliti berusaha untuk mempercepat proses pembelajaran, sehingga mereka melatih jaringan baru menggunakan parameter MobileNetV2, yang merupakan aplikasi visi mobile. Ini telah dipratinjau dengan 1,4 juta gambar dari dataset ImageNet. Waktu pelatihan hanya berlangsung kurang dari lima jam.

“Dengan memindai gambar, jaringan belajar dari gambar yang ada dan memutuskan gambar baru mana yang normal atau pada tahap awal atau akhir penyakit,” kata Akay.

Jaringan Saraf Konvolusional (CNN), yang merupakan salah satu jaringan pembelajaran dalam, sering digunakan dalam teknik, biologi, dan kedokteran. Namun, mereka belum mencapai tingkat kesuksesan yang tinggi dalam aplikasi biomedis, karena penggunaannya terbatas karena ukuran set pelatihan dan jaringan yang tersedia.

Akay, bersama dengan mitra Yasemin Akay, menggabungkan UNet, yang merupakan arsitektur CNN yang dimodifikasi, dengan menambahkan lapisan untuk mengatasi tantangan ini. Mereka kemudian mengembangkan modul pelatihan mobile, dan hasilnya menunjukkan bahwa arsitektur pembelajaran dalam yang diusulkan lebih efisien dan lebih baik daripada CNN dalam mengklasifikasikan gambar SSc.

Yasemin Akay adalah profesor asosiasi instruksional teknik biomedis di UH.

“Setelah penyetelan halus, hasil kami menunjukkan jaringan yang diusulkan mencapai akurasi 100% pada set gambar pelatihan, 96,8% akurasi pada set gambar validasi, dan 95,2% pada set gambar pengujian,” kata Akay.

Penulis bersama termasuk Yong Du, Cheryl Shersen, Ting Chen, dan Chanfra Mohan dari Universitas Houston. Ini juga melibatkan Minghua Wu dan Shervin Assassi dari Pusat Ilmu Kesehatan Universitas Texas (UT Health).