Глубокая нейронная сеть может выявлять кожные заболевания на ноутбуке

О новой архитектуре глубокой нейронной сети, которая может обеспечить раннюю диагностику системного склероза (СС), сообщает основатель кафедры биомедицинской инженерии Хьюстонского университета. СС представляет собой редкое аутоиммунное заболевание, вызывающее уплотнение или волокнистость кожи и внутренних органов. 

Предлагаемая сеть реализована на стандартном портативном компьютере и позволяет сразу распознавать различия между изображениями здоровой кожи и кожи с СС.

Исследование было опубликовано в Открытый журнал IEEE по инженерии в медицине и биологии. 

Метин Акай — профессор кафедры биомедицинской инженерии Джона С. Данна. 

«Наше предварительное исследование, призванное показать эффективность предложенной сетевой архитектуры, дает многообещающие результаты в характеристике SSc», — говорит Акай. 

«Мы считаем, что предложенную сетевую архитектуру можно легко реализовать в клинических условиях, предоставив простой, недорогой и точный инструмент для скрининга ССД».

ССД и ранняя диагностика

Чрезвычайно важно, чтобы ССД был диагностирован на ранней стадии, но этого часто трудно достичь. Различные исследования показывают, что поражение органов может происходить намного раньше, чем предполагалось ранее, на ранней стадии заболевания. 

Поскольку даже врачам в экспертных центрах так сложно поставить раннюю диагностику и определить степень прогрессирования заболевания, часто возникают длительные задержки в терапии и лечении.

Обучение системы

Глубокое обучение помещает алгоритмы в слои, называемые искусственной нейронной сетью, которые могут принимать собственные решения. Исследователи решили ускорить процесс обучения, поэтому они обучили новую сеть, используя параметры MobileNetV2, приложения для мобильного зрения. Он предварительно обучен 1.4 миллионам изображений из набора данных ImageNet. Время обучения длилось менее пяти часов.

«Сканируя изображения, сеть учится на существующих изображениях и решает, какое новое изображение является нормальным, а какое — ранней или поздней стадией заболевания», — сказал Акай.

Сверточные нейронные сети (CNN), которые относятся к сетям глубокого обучения, часто используются в инженерии, биологии и медицине. Однако они все еще не достигли высокого уровня успеха в биомедицинских приложениях, поскольку их использование было ограничено из-за размера доступных обучающих наборов и сетей. 

Акай вместе со своим партнером Ясемин Акай объединили UNet, представляющую собой модифицированную архитектуру CNN, с дополнительными уровнями для преодоления этой проблемы. Затем они разработали мобильный учебный модуль, и результаты показали, что предложенная архитектура глубокого обучения более эффективна и лучше, чем CNN, когда дело доходит до классификации изображений SSc.

Ясемин Акай — адъюнкт-профессор биомедицинской инженерии UH. 

«После точной настройки наши результаты показали, что предложенная сеть достигла точности 100% на наборе обучающих изображений, точности 96.8% на наборе проверочных изображений и 95.2% на наборе тестовых изображений», — сказал Акай.

Соавторами статьи были Йонг Ду, Шерил Шерсен, Тинг Чен и Чанфра Мохан из Хьюстонского университета. В нем также участвовали Минхуа Ву и Шервин Ассасси из Центра медицинских наук Техасского университета (UT Health).