Diepe Neuronale Netwerk kan huidziekte op laptop screenen

Een nieuwe diepe neurale netwerkarchitectuur die een vroege diagnose van systemische sclerose (SSc) kan bieden, wordt gemeld door de oprichter van de afdeling Biomedische Techniek aan de Universiteit van Houston. SSc is een zeldzame auto-immuunziekte die geharde of vezelige huid en interne organen veroorzaakt.

Het voorgestelde netwerk is geïmplementeerd met een standaard laptopcomputer en kan onmiddellijk de verschillen tussen afbeeldingen van gezonde huid en huid met SSc herkennen.

Het onderzoek is gepubliceerd in IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay is een John S. Dunn Endowed Chair Professor in biomedische techniek.

“Onze voorlopige studie, bedoeld om de effectiviteit van de voorgestelde netwerkarchitectuur te laten zien, houdt belofte in voor de karakterisering van SSc,” zegt Akay.

“We geloven dat de voorgestelde netwerkarchitectuur gemakkelijk in een klinische setting kan worden geïmplementeerd, waardoor een eenvoudig, goedkoop en nauwkeurig screeningsinstrument voor SSc ontstaat.”

SSc en vroege diagnose

Het is extreem belangrijk dat SSc vroeg wordt gediagnosticeerd, maar dit is vaak moeilijk te bereiken. Verschillende studies laten zien dat orgaanbetrokkenheid veel eerder kan plaatsvinden dan eerder verwacht, zelfs in de vroege fase van de ziekte.

Omdat het voor artsen in expertisecentra zo moeilijk is om vroeg te diagnosticeren en de omvang van de ziekteprogressie te bepalen, zijn er vaak lange vertragingen in therapie en behandeling.

Het systeem trainen

Diepe leer geeft algoritmes in lagen, genaamd het kunstmatige neurale netwerk, dat zijn eigen beslissingen kan nemen. De onderzoekers wilden het leerproces versnellen, dus trainden ze het nieuwe netwerk met de parameters van MobileNetV2, dat een mobiele visie-toepassing is. Het is voorgetraind met 1,4 miljoen afbeeldingen uit de ImageNet-dataset. De trainingsduur duurde minder dan vijf uur.

“Door de afbeeldingen te scannen, leert het netwerk van de bestaande afbeeldingen en beslist het welke nieuwe afbeelding normaal is of in een vroege of late fase van de ziekte,” zei Akay.

Convolutional Neural Networks (CNN’s), die onderdeel zijn van diepe leer, worden vaak gebruikt in techniek, biologie en geneeskunde. Echter, ze hebben nog niet een hoog niveau van succes bereikt in biomedische toepassingen, omdat hun gebruik beperkt is door de grootte van de trainingssets en netwerken die beschikbaar zijn.

Akay, samen met partner Yasemin Akay, combineerde de UNet, dat een gemodificeerde CNN-architectuur is, met extra lagen om deze uitdaging te overwinnen. Ze ontwikkelden vervolgens een mobiel trainingsmodule en de resultaten toonden aan dat de voorgestelde diepe leerarchitectuur efficiënter en beter is dan CNN’s bij het classificeren van SSc-afbeeldingen.

Yasemin Akay is een UH-instructieassociate professor in biomedische techniek.

“Na fine-tuning, lieten onze resultaten zien dat het voorgestelde netwerk 100% nauwkeurigheid bereikte op de trainingsafbeeldingsset, 96,8% nauwkeurigheid op de validatieafbeeldingsset en 95,2% op de testafbeeldingsset,” zei Akay.

De co-auteurs van het artikel waren Yong Du, Cheryl Shersen, Ting Chen en Chanfra Mohan van de Universiteit van Houston. Het onderzoek werd ook uitgevoerd met Minghua Wu en Shervin Assassi van de Universiteit van Texas Health Science Center (UT Health).