Rede Neural Profunda Pode Detectar Doenças de Pele em Laptop

Um novo arquiteto de rede neural profunda que pode fornecer diagnóstico precoce de esclerose sistêmica (SSc) está sendo relatado pelo fundador do Departamento de Engenharia Biomédica da Universidade de Houston. A SSc é uma doença autoimune rara que causa pele e órgãos internos endurecidos ou fibrosos.

A rede proposta é implementada com um computador laptop padrão e pode reconhecer imediatamente as diferenças entre imagens de pele saudável e pele com SSc.

A pesquisa foi publicada em IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay é um professor titular da cadeira John S. Dunn de engenharia biomédica.

“Nosso estudo preliminar, destinado a mostrar a eficácia da arquitetura de rede proposta, tem promessa na caracterização da SSc”, diz Akay.

“Acreditamos que a arquitetura de rede proposta pode ser facilmente implementada em um ambiente clínico, fornecendo uma ferramenta de triagem simples, barata e precisa para a SSc.”

SSc e Diagnóstico Precoce

É extremamente importante que a SSc seja diagnosticada precocemente, mas isso é frequentemente difícil de alcançar. Vários estudos demonstram que o envolvimento de órgãos pode ocorrer muito antes do que se esperava, ocorrendo na fase inicial da doença.

Como é tão desafiador para os médicos, mesmo em centros especializados, diagnosticar precocemente e determinar a extensão da progressão da doença, frequentemente há longos atrasos na terapia e no tratamento.

Treinamento do Sistema

O aprendizado profundo coloca algoritmos em camadas, chamadas de rede neural artificial, que podem tomar suas próprias decisões. Os pesquisadores se propuseram a acelerar o processo de aprendizado, então treinaram a nova rede usando os parâmetros do MobileNetV2, que é um aplicativo de visão móvel. Ele é pré-treinado com 1,4 milhão de imagens do conjunto de dados ImageNet. O tempo de treinamento durou menos de cinco horas.

“Ao digitalizar as imagens, a rede aprende com as imagens existentes e decide qual nova imagem é normal ou está em uma fase inicial ou tardia da doença”, disse Akay.

Redes Neurais Convolucionais (CNNs), que estão entre as redes de aprendizado profundo, são frequentemente usadas em engenharia, biologia e medicina. No entanto, elas ainda não alcançaram um alto nível de sucesso em aplicações biomédicas, pois seu uso foi limitado devido ao tamanho dos conjuntos de treinamento e das redes disponíveis.

Akay, juntamente com a parceira Yasemin Akay, combinou a UNet, que é uma arquitetura de CNN modificada, com camadas adicionais para superar esse desafio. Em seguida, desenvolveram um módulo de treinamento móvel e os resultados demonstraram que a arquitetura de aprendizado profundo proposta é mais eficiente e melhor do que as CNNs quando se trata de classificar imagens de SSc.

Yasemin Akay é uma professora associada de engenharia biomédica da UH.

“Depois do ajuste fino, nossos resultados mostraram que a rede proposta alcançou 100% de precisão no conjunto de imagens de treinamento, 96,8% de precisão no conjunto de imagens de validação e 95,2% no conjunto de imagens de teste”, disse Akay.

Os coautores do artigo incluíram Yong Du, Cheryl Shersen, Ting Chen e Chanfra Mohan, da Universidade de Houston. Também envolveu Minghua Wu e Shervin Assassi, do Centro de Ciências da Saúde da Universidade do Texas (UT Health).