ディープニューラルネットワークはラップトップで皮膚疾患をスクリーニングできる

ヒューストン大学のバイオメディカルエンジニアリング学部の創設議長であるメティン・アカイは、全身性硬化症（SSc）の早期診断を行うことができる新しいディープニューラルネットワークアーキテクチャを発表しました。SScは、皮膚と内臓が硬化または線維化する稀な自己免疫疾患です。

提案されたネットワークは、標準的なラップトップコンピューターで実装されており、健康な皮膚とSScの皮膚の画像の違いをすぐに認識できます。

この研究は、IEEE Open Journal of Engineering in Medicine and Biologyに掲載されています。

メティン・アカイは、ジョン・S・ダン恩命教授のバイオメディカルエンジニアリングです。

「私たちの予備研究は、提案されたネットワークアーキテクチャの有効性を示唆しており、SScの特性を理解するのに役立つ可能性があります」とアカイは述べています。

「私たちは、提案されたネットワークアーキテクチャが臨床現場で簡単に実装でき、SScのためのシンプルで低コストで正確なスクリーニングツールを提供できる可能性があると考えています」

SScと早期診断

SScの早期診断は非常に重要ですが、達成することは難しいことが多いです。さまざまな研究では、臓器への関与が予想よりも早く発生する可能性があり、疾患の初期段階で発生することが示されています。

専門センターの医師でも早期診断と疾患の進行度を判断することが難しい場合があり、治療と治療が遅れることがあります。

システムのトレーニング

ディープラーニングは、アルゴリズムを層に分割し、人工ニューラルネットワークを作成します。これは独自の決定を下すことができます。研究者は学習プロセスを高速化することを目的とし、新しいネットワークをMobileNetV2のパラメータでトレーニングしました。MobileNetV2は、ImageNetデータセットの140万枚の画像で事前トレーニングされています。トレーニング時間は5時間未満でした。

「画像をスキャンすることで、ネットワークは既存の画像から学習し、新しい画像が正常なのか、疾患の初期段階なのか、後期段階なのかを判断します」とアカイは述べています。

コンボルューションネューラルネットワーク（CNN）は、ディープラーニングネットワークの一種で、エンジニアリング、生物学、医学でよく使用されます。しかし、トレーニングセットとネットワークのサイズの制限により、バイオメディカルアプリケーションではまだ高い成功レベルに達していません。

アカイと共同研究者ヤセミン・アカイは、UNetを修正したCNNアーキテクチャに追加の層を組み合わせてこの課題を克服しました。すると、モバイルトレーニングモジュールを開発し、提案されたディープラーニングアーキテクチャがSSc画像の分類においてCNNよりも効率的で優れていることが示されました。

ヤセミン・アカイは、ヒューストン大学のバイオメディカルエンジニアリングの指導教員です。

「ファインチューニングの後、提案されたネットワークはトレーニング画像セットで100％の精度、検証画像セットで96.8％の精度、テスト画像セットで95.2％の精度を達成しました」とアカイは述べています。

論文の共同著者には、ヒューストン大学のヨン・ドゥ、シェリル・シェルセン、ティン・チェン、チャンфра・モハンが含まれます。また、テキサス大学ヘルスサイエンスセンター（UTヘルス）のミンホア・ウーとシェルビン・アサシも参加しました。