Głęboka sieć neuronowa może przesiewać choroby skóry na laptopie

Nowa architektura głębokiej sieci neuronowej, która może zapewnić wczesną diagnozę układowej sklerodermii (SSc), jest zgłaszana przez założyciela i przewodniczącego Wydziału Inżynierii Biomedycznej na Uniwersytecie w Houston. SSc to rzadka choroba autoimmunologiczna, która powoduje zahartowanie lub włóknienie skóry i narządów wewnętrznych.

Proponowana sieć jest wdrożona na standardowym laptopie komputerowym i może natychmiast rozpoznać różnice między obrazami zdrowej skóry a skóry z SSc.

Badanie zostało opublikowane w IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay jest profesorem inżynierii biomedycznej na Uniwersytecie w Houston.

“Nasze wstępne badanie, mające na celu wykazanie skuteczności proponowanej architektury sieci, daje nadzieję w charakterystyce SSc,” mówi Akay.

“Wierzymy, że proponowana architektura sieci może być łatwo wdrożona w środowisku klinicznym, zapewniając prosty, tanie i dokładny narzędzie do przesiewania SSc.”

SSc i wczesna diagnoza

Jest niezwykle ważne, aby SSc zostało zdiagnozowane wcześnie, ale często jest to trudne do osiągnięcia. Różne badania wykazują, że zaangażowanie narządów może nastąpić znacznie wcześniej, niż się spodziewano, w fazie wczesnej choroby.

Ponieważ jest to tak trudne nawet dla lekarzy w ośrodkach specjalistycznych, aby zdiagnozować wcześnie i określić stopień postępu choroby, często występują długie opóźnienia w leczeniu i terapii.

Szkolenie systemu

Głębokie uczenie się umieszcza algorytmy w warstwach, zwanych sztuczną siecią neuronową, która może podejmować własne decyzje. Naukowcy starali się przyspieszyć proces uczenia, więc wyszkolili nową sieć przy użyciu parametrów MobileNetV2, który jest aplikacją mobilną do widzenia. Został on wstępnie wyszkolony z 1,4 miliona obrazów z zestawu danych ImageNet. Czas szkolenia trwał krócej niż pięć godzin.

“Przeskanowując obrazy, sieć uczy się z istniejących obrazów i decyduje, który nowy obraz jest normalny czy we wczesnej czy późnej fazie choroby,” powiedział Akay.

Sieci neuronowe współnstypowe (CNN), które są jednym z głębokich sieci neuronowych, są często stosowane w inżynierii, biologii i medycynie. Jednakże, nie osiągnęły jeszcze wysokiego poziomu sukcesu w aplikacjach biomedycznych, ponieważ ich użycie było ograniczone ze względu na rozmiar zestawów szkoleniowych i dostępnych sieci.

Akay, wraz z partnerem Yasemin Akay, połączył UNet, który jest zmodyfikowaną architekturą CNN, z dodatkowymi warstwami, aby pokonać to wyzwanie. Następnie opracowali moduł szkolenia mobilnego, a wyniki wykazały, że proponowana architektura głębokiego uczenia się jest bardziej wydajna i lepsza niż CNN w klasyfikacji obrazów SSc.

Yasemin Akay jest profesorem inżynierii biomedycznej na Uniwersytecie w Houston.

“Po dostosowaniu, nasze wyniki wykazały, że proponowana sieć osiągnęła 100% dokładności w zestawie szkoleniowym, 96,8% dokładności w zestawie walidacyjnym i 95,2% w zestawie testowym,” powiedział Akay.

Współautorami artykułu byli Yong Du, Cheryl Shersen, Ting Chen i Chanfra Mohan z Uniwersytetu w Houston. Udział wzięli również Minghua Wu i Shervin Assassi z Uniwersytetu Teksasu w Houston.