Гүн мэдрэлийн сүлжээ нь зөөврийн компьютер дээр арьсны өвчнийг илрүүлэх боломжтой

Хьюстоны их сургуулийн биоанагаах ухааны инженерийн тэнхимийн үүсгэн байгуулагчдын зүгээс системийн склерозыг (SSc) эрт оношлох боломжтой гүн мэдрэлийн сүлжээний шинэ архитектурыг мэдээлж байна. SSc нь арьс, дотоод эрхтнүүдийг хатууруулж, фиброз үүсгэдэг ховор аутоиммун өвчин юм. 

Санал болгож буй сүлжээ нь стандарт зөөврийн компьютер дээр хэрэгждэг бөгөөд SSc-ийн тусламжтай эрүүл арьс, арьсны зураг хоорондын ялгааг шууд таньж чаддаг.

Судалгааг нийтэлсэн Анагаах ухаан, биологийн инженерчлэлийн IEEE Нээлттэй сэтгүүл. 

Метин Акай бол Жон С. Данны нэрэмжит биоанагаах ухааны инженерийн профессор юм. 

"Бидний санал болгож буй сүлжээний архитектурын үр нөлөөг харуулах зорилготой урьдчилсан судалгаа нь SSc-ийн шинж чанарыг тодорхойлоход амлалт өгч байна" гэж Акай хэлэв. 

"Санал болгож буй сүлжээний архитектурыг клиникийн нөхцөлд хялбархан хэрэгжүүлж, SSc-ийн энгийн, хямд, үнэн зөв скрининг хийх боломжтой гэж бид үзэж байна."

SSc ба эрт оношлогоо

SSc-ийг эрт оношлох нь маш чухал боловч үүнийг хэрэгжүүлэхэд хэцүү байдаг. Төрөл бүрийн судалгаанаас үзэхэд эрхтний оролцоо нь өвчний эхний үе шатанд тохиолдож байсан нь урьд өмнө хүлээгдэж байснаас хамаагүй хурдан явагддаг болохыг харуулж байна. 

Мэргэшсэн төвүүдийн эмч нар хүртэл өвчнийг эрт оношлох, өвчний явцын цар хүрээг тодорхойлоход маш хэцүү байдаг тул эмчилгээ, эмчилгээ нь ихэвчлэн удаан хугацаагаар хойшлогддог.

Системийг сургах

Гүнзгий суралцах нь алгоритмуудыг хиймэл мэдрэлийн сүлжээ гэж нэрлэгддэг давхрагад байрлуулж, өөрөө шийдвэр гаргах боломжтой. Судлаачид суралцах үйл явцыг хурдасгах зорилготой байсан тул гар утасны харааны програм болох MobileNetV2-ийн параметрүүдийг ашиглан шинэ сүлжээг сургасан. Энэ нь ImageNet өгөгдлийн багцаас 1.4 сая зурагтай урьдчилан бэлтгэгдсэн. Сургалт ердөө тав хүрэхгүй цаг үргэлжилсэн.

"Зургийг сканнердсанаар сүлжээ нь одоо байгаа зургуудаас суралцаж, аль шинэ зураг хэвийн эсвэл өвчний эхэн эсвэл хожуу үе шатанд байгааг шийддэг" гэж Акай хэлэв.

Гүнзгий сургалтын сүлжээнүүдийн нэг болох Convolutional Neural Networks (CNNs) нь инженерчлэл, биологи, анагаах ухаанд ихэвчлэн тулгуурладаг. Гэсэн хэдий ч сургалтын багц, сүлжээний хэмжээнээс шалтгаалан тэдгээрийн хэрэглээ хязгаарлагдмал байсан тул биоанагаахын хэрэглээнд өндөр амжилтанд хүрч чадаагүй хэвээр байна. 

Акай, хамтрагч Ясемин Акайтай хамт CNN-ийн өөрчилсөн архитектур болох UNet-ийг энэ сорилтыг даван туулахын тулд нэмэлт давхаргуудтай хослуулсан. Дараа нь тэд гар утасны сургалтын модулийг боловсруулсан бөгөөд үр дүн нь SSc дүрсийг ангилахдаа CNN-ээс илүү үр дүнтэй, илүү сайн болохыг харуулсан.

Ясемин Акай бол UH-ийн биоанагаах ухааны инженерийн дэд профессор юм. 

"Нарийвчлан тохируулсны дараа бидний үр дүнд санал болгож буй сүлжээ нь сургалтын зургийн багц дээр 100%, баталгаажуулах зургийн багц дээр 96.8%, туршилтын зургийн багц дээр 95.2% нарийвчлалтай болсон" гэж Акай хэлэв.

Уг сонины хамтран зохиогчид нь Хьюстоны их сургуулийн Ён Ду, Шерил Шерсен, Тинг Чен, Чанфра Мохан нар байв. Үүнд Техасын их сургуулийн Эрүүл мэндийн шинжлэх ухааны төвийн (UT Health) Минхуа Ву, Шервин Ассасси нар оролцжээ.