Длабоката невронска мрежа може да провери за кожни болести на лаптоп

Нова архитектура на длабока невронска мрежа која може да обезбеди рана дијагноза на системска склероза (SSc) е објавена од страна на основачкиот претседател на Одделот за биомедицинско инженерство на Универзитетот во Хјустон. SSc е ретка автоимуна болест која предизвикува стврднување или влакнеста кожа и внатрешни органи. 

Предложената мрежа е имплементирана со стандарден лаптоп компјутер и веднаш може да ги препознае разликите помеѓу сликите на здрава кожа и кожа со SSc.

Истражувањето беше објавено во IEEE Open Journal of Engineering in Medicine and Biology. 

Метин Акај е професор по биомедицински инженеринг, претседател на Џон С. Дан. 

„Нашата прелиминарна студија, наменета да ја покаже ефикасноста на предложената мрежна архитектура, ветува во карактеризацијата на SSc“, вели Акај. 

„Веруваме дека предложената мрежна архитектура лесно може да се имплементира во клинички амбиент, обезбедувајќи едноставна, евтина и точна алатка за скрининг за SSc“.

SSc и рана дијагноза

Исклучително е важно SSc да се дијагностицира рано, но тоа често е тешко да се постигне. Различни студии покажуваат дека зафатеноста на органите може да се случи многу порано од претходно очекуваното, што се случува во раната фаза на болеста. 

Бидејќи е предизвик дури и за лекарите во стручните центри рано да дијагностицираат и да го одредат степенот на прогресија на болеста, често има долги одложувања во терапијата и третманот.

Обука на системот

Длабокото учење ги става алгоритмите во слоеви, наречени вештачка невронска мрежа, која може да носи свои одлуки. Истражувачите тргнаа да го забрзаат процесот на учење, па ја обучија новата мрежа користејќи ги параметрите на MobileNetV2, која е апликација за мобилна визија. Тој е претходно обучен со 1.4 милиони слики од базата на податоци ImageNet. Времето за обука траеше само помалку од пет часа.

„Со скенирање на сликите, мрежата учи од постоечките слики и одлучува која нова слика е нормална или во рана или доцна фаза на болеста“, рече Акај.

Конволутивните невронски мрежи (CNN), кои се меѓу мрежите за длабоко учење, често се потпираат во инженерството, биологијата и медицината. Сепак, тие сè уште не постигнале високо ниво на успех во биомедицинските апликации, бидејќи нивната употреба е ограничена поради големината на сетовите за обука и достапните мрежи. 

Акај, заедно со партнерот Јасмин Акај, ја комбинираа UNet, која е модифицирана архитектура на CNN, со додадени слоеви за да го надминат овој предизвик. Тие потоа развија мобилен модул за обука, а резултатите покажаа дека предложената архитектура за длабоко учење е поефикасна и подобра од CNN кога станува збор за класификација на SSc слики.

Јасемин Акај е вонреден професор по биомедицинско инженерство во УХ. 

„По прецизното подесување, нашите резултати покажаа дека предложената мрежа достигна 100% точност на сетот на слики за обука, 96.8% точност на множеството слики за валидација и 95.2% на комплетот на слики за тестирање“, рече Акај.

Меѓу коавторите на весникот беа Јонг Ду, Шерил Шерсен, Тинг Чен и Чанфра Мохан од Универзитетот во Хјустон. Во него беа вклучени и Мингхуа Ву и Шервин Асаси од здравствениот научен центар на Универзитетот во Тексас (UT Health).