Rete neurale profonda può diagnosticare la malattia della pelle su laptop

Un nuovo architetto di rete neurale profonda in grado di fornire una diagnosi precoce della sclerosi sistemica (SSc) è stato segnalato dal fondatore del dipartimento di ingegneria biomedica dell’Università del Texas. La SSc è una rara malattia autoimmunitaria che provoca la pelle e gli organi interni induriti o fibrosi.

La rete proposta è implementata con un computer portatile standard e può immediatamente riconoscere le differenze tra le immagini della pelle sana e della pelle con SSc.

La ricerca è stata pubblicata su IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay è un professore di ingegneria biomedica della cattedra John S. Dunn.

“Il nostro studio preliminare, destinato a dimostrare l’efficacia dell’architettura di rete proposta, tiene promessa nella caratterizzazione della SSc”, afferma Akay.

“Crediamo che l’architettura di rete proposta potrebbe essere facilmente implementata in un ambiente clinico, fornendo uno strumento di screening semplice, economico e preciso per la SSc.”

SSc e diagnosi precoce

È estremamente importante che la SSc venga diagnosticata precocemente, ma ciò è spesso difficile da realizzare. Vari studi dimostrano che il coinvolgimento degli organi potrebbe verificarsi molto prima di quanto previsto, verificandosi nella fase iniziale della malattia.

Poiché è così difficile per i medici anche nei centri di eccellenza diagnosticare precocemente e determinare l’estensione della progressione della malattia, ci sono spesso ritardi lunghi nella terapia e nel trattamento.

Addestramento del sistema

L’apprendimento profondo mette gli algoritmi in strati, chiamati rete neurale artificiale, che può prendere le proprie decisioni. I ricercatori hanno cercato di accelerare il processo di apprendimento, quindi hanno addestrato la nuova rete utilizzando i parametri di MobileNetV2, che è un’applicazione di visione mobile. È pre-addestrata con 1,4 milioni di immagini dal set di dati ImageNet. Il tempo di addestramento è durato meno di cinque ore.

“Scansionando le immagini, la rete apprende dalle immagini esistenti e decide quale nuova immagine è normale o in una fase precoce o tardiva della malattia”, ha affermato Akay.

Le reti neurali convoluzionali (CNN), che sono tra le reti di apprendimento profondo, sono spesso utilizzate nell’ingegneria, nella biologia e nella medicina. Tuttavia, non hanno ancora raggiunto un alto livello di successo nelle applicazioni biomediche, poiché il loro utilizzo è stato limitato a causa della dimensione dei set di addestramento e delle reti disponibili.

Akay, insieme al partner Yasemin Akay, ha combinato l’UNet, che è un’architettura di rete neurale convoluzionale modificata, con strati aggiunti per superare questa sfida. Quindi hanno sviluppato un modulo di addestramento mobile e i risultati hanno dimostrato che l’architettura di apprendimento profondo proposta è più efficiente e migliore delle CNN nella classificazione delle immagini della SSc.

Yasemin Akay è un professore associato di ingegneria biomedica dell’Università del Texas.

“Dopo la fine dell’addestramento, i nostri risultati hanno mostrato che la rete proposta ha raggiunto il 100% di accuratezza nel set di immagini di addestramento, il 96,8% di accuratezza nel set di immagini di convalida e il 95,2% nel set di immagini di test”, ha affermato Akay.

I coautori del documento includevano Yong Du, Cheryl Shersen, Ting Chen e Chanfra Mohan dell’Università del Texas. Ha anche coinvolto Minghua Wu e Shervin Assassi del Centro di scienze della salute dell’Università del Texas (UT Health).