Rețea Neurală Adâncă Poate Diagnostică Boala Pielii pe Laptop

O nouă arhitectură de rețea neurală profundă care poate oferi un diagnostic precoce al sclerozei sistemice (SSc) este raportată de către fondatorul și președintele departamentului de inginerie biomedicală de la Universitatea din Houston. SSc este o boală autoimună rară care cauzează piele și organe interne îngroșate sau fibroase.

Rețeaua propusă este implementată pe un laptop standard și poate recunoaște imediat diferențele dintre imagini de piele sănătoasă și piele cu SSc.

Cercetarea a fost publicată în IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay este profesor de inginerie biomedicală și deține o catedră John S. Dunn.

“Studiul nostru preliminar, menit să arate eficacitatea arhitecturii de rețea propuse, oferă perspective în caracterizarea SSc,” spune Akay.

“Credem că arhitectura de rețea propusă ar putea fi implementată cu ușurință într-un mediu clinic, oferind un instrument de screening simplu, ieftin și precis pentru SSc.”

SSc și Diagnosticul Precoce

Este extrem de important ca SSc să fie diagnosticat precoce, dar acest lucru este adesea dificil de realizat. Diverse studii demonstrează că implicarea organelor poate avea loc mult mai devreme decât se aștepta, apărând în faza inițială a bolii.

Deoarece este atât de dificil pentru chiar și medicii de la centrele de specialitate să diagnosticheze precoce și să determine amploarea progresiei bolii, există adesea întârzieri lungi în terapie și tratament.

Antrenarea Sistemului

Învățarea profundă pune algoritmi în straturi, numite rețele neuronale artificiale, care pot lua decizii singure. Cercetătorii au încercat să accelereze procesul de învățare, astfel încât au antrenat noua rețea utilizând parametrii MobileNetV2, care este o aplicație de viziune mobilă. Acesta este preantrenat cu 1,4 milioane de imagini din setul de date ImageNet. Timpul de antrenare a durat mai puțin de cinci ore.

“Prin scanarea imaginilor, rețeaua învață din imaginile existente și decide care imagine nouă este normală sau într-o fază precoce sau tardivă a bolii,” a spus Akay.

Rețelele Neurale Convolutive (CNN), care sunt printre rețelele de învățare profundă, sunt adesea utilizate în inginerie, biologie și medicină. Cu toate acestea, ele nu au atins încă un nivel ridicat de succes în aplicațiile biomedicale, deoarece utilizarea lor a fost limitată din cauza dimensiunii seturilor de antrenare și a rețelelor disponibile.

Akay, împreună cu partenerul său Yasemin Akay, a combinat UNet, care este o arhitectură de rețea neurală convolutivă modificată, cu straturi suplimentare pentru a depăși această provocare. Ei au dezvoltat apoi un modul de antrenare mobil și rezultatele au demonstrat că arhitectura de învățare profundă propusă este mai eficientă și mai bună decât CNN în ceea ce privește clasificarea imaginilor SSc.

Yasemin Akay este profesor asistent de inginerie biomedicală la UH.

“După reglarea fină, rezultatele noastre au arătat că rețeaua propusă a atins o acuratețe de 100% pe setul de antrenare, 96,8% pe setul de validare și 95,2% pe setul de testare,” a spus Akay.

Coautorii articolului au inclus Yong Du, Cheryl Shersen, Ting Chen și Chanfra Mohan de la Universitatea din Houston. Acesta a implicat, de asemenea, Minghua Wu și Shervin Assassi de la Centrul de Științe ale Sănătății din Universitatea din Texas (UT Health).