Dyp neuralt nettverk kan skanne for hudsykdom på bærbar datamaskin

En ny dyp neuralt nettverksarkitektur som kan gi tidlig diagnose av systemisk sklerose (SSc) blir rapportert av grunnleggeren av avdelingen for biomedisinsk ingeniørkunst ved University of Houston. SSc er en sjelden autoimmun sykdom som forårsaker hardning eller fibrose av hud og indre organer. 

Det foreslåtte nettverket er implementert med en standard bærbar datamaskin, og det kan umiddelbart gjenkjenne forskjellene mellom bilder av sunn hud og hud med SSc.

Forskningen ble publisert i IEEE Open Journal of Engineering in Medicine and Biology. 

Metin Akay er en John S. Dunn Endowed Chair Professor i biomedisinsk ingeniørkunst. 

“Vår preliminære studie, som var ment å vise effikasiteten av det foreslåtte nettverksarkitekturen, har stor potensial i karakteriseringen av SSc,” sier Akay. 

“Vi tror at den foreslåtte nettverksarkitekturen lett kan implementeres i en klinisk setting, og gi en enkel, billig og nøyaktig skanningsverktøy for SSc.”

SSc og tidlig diagnose

Det er ekstremt viktig at SSc diagnostiseres tidlig, men dette er ofte vanskelig å oppnå. Forskning viser at organskade kan skje mye tidligere enn tidligere antatt, og dette skjer i den tidlige fasen av sykdommen. 

Fordi det er så vanskelig for selv eksperter å diagnostisere tidlig og bestemme omfanget av sykdomsforløpet, er det ofte lange forsinkelser i terapi og behandling.

Trening av systemet

Dyp læring setter algoritmer inn i lag, kalt kunstig neuralt nettverk, som kan ta sine egne beslutninger. Forskerne satte ut til å akselerere læreprosessen, så de trente det nye nettverket ved hjelp av parameterne til MobileNetV2, som er en mobil visjonapplikasjon. Den er forhåndstreinet med 1,4 millioner bilder fra ImageNet-datasettet. Treningstiden varte mindre enn fem timer.

“Ved å skanne bildene, lærer nettverket av de eksisterende bildene og bestemmer hvilket nytt bilde som er normalt eller i en tidlig eller sen fase av sykdommen,” sa Akay.

Convolutional Neural Networks (CNN), som er en type dyp læring, brukes ofte i ingeniørkunst, biologi og medisin. Likevel har de ennå ikke nådd et høyt nivå av suksess i biomedisinske applikasjoner, da deres bruk har vært begrenset på grunn av størrelsen på treningssett og nettverk som er tilgjengelige. 

Akay, sammen med partner Yasemin Akay, kombinerte UNet, som er en modifisert CNN-arkitektur, med tilføyde lag for å overvinne denne utfordringen. De utviklet deretter en mobil treningsmodul, og resultater viste at den foreslåtte dyp læring-arkitekturen er mer effektiv og bedre enn CNN når det gjelder å klassifisere SSc-bilder.

Yasemin Akay er en UH-instruktørprofessor i biomedisinsk ingeniørkunst. 

“Etter finjustering, viste våre resultater at det foreslåtte nettverket nådde 100% nøyaktighet på treningsbildesettet, 96,8% nøyaktighet på valideringsbildesettet og 95,2% på testbildesettet,” sa Akay.

Artikkelen er skrevet av Yong Du, Cheryl Shersen, Ting Chen og Chanfra Mohan fra University of Houston. Den involverte også Minghua Wu og Shervin Assassi fra University of Texas Health Science Center (UT Health).