Глубокая нейронная сеть может диагностировать кожные заболевания на ноутбуке

Новая архитектура глубокой нейронной сети, которая может обеспечить раннюю диагностику системной склеродермии (SSc), была представлена основателем кафедры биомедицинской инженерии в Университете Хьюстона.

Предлагаемая сеть реализована на стандартном ноутбуке и может сразу же распознавать различия между изображениями здоровой кожи и кожи с SSc.

Исследование было опубликовано в IEEE Open Journal of Engineering in Medicine and Biology.

Метин Акай – профессор биомедицинской инженерии, занимающий должность Джона С. Данна.

“Наше предварительное исследование, предназначенное для демонстрации эффективности предложенной сетевой архитектуры, дает обещающие результаты в характеристике SSc”, – говорит Акай.

“Мы считаем, что предложенная сетевая архитектура могла бы легко быть реализована в клинической обстановке, обеспечивая простой, недорогой и точный инструмент для скрининга SSc.”

SSc и ранняя диагностика

Очень важно диагностировать SSc на ранней стадии, но это часто бывает трудно достижимо. Различные исследования показывают, что вовлечение органов может произойти намного раньше, чем ожидалось, уже на ранней стадии заболевания.

Поскольку диагностика на ранней стадии и определение степени прогрессии заболевания часто бывает сложной даже для врачей в специализированных центрах, часто возникают длительные задержки в терапии и лечении.

Обучение системы

Глубокое обучение помещает алгоритмы в слои, называемые искусственной нейронной сетью, которая может принимать свои собственные решения. Исследователи поставили цель ускорить процесс обучения, поэтому они обучили новую сеть с использованием параметров MobileNetV2, которая является мобильным приложением для зрения. Она предварительно обучена на 1,4 миллионах изображений из набора данных ImageNet. Время обучения заняло менее пяти часов.

“Анализируя изображения, сеть учится на существующих изображениях и решает, какое новое изображение является нормальным или находится на ранней или поздней стадии заболевания”, – сказал Акай.

Свёрточные нейронные сети (CNN), которые являются частью глубокого обучения, часто используются в инженерии, биологии и медицине. Однако они ещё не достигли высокого уровня успеха в биомедицинских приложениях, поскольку их использование было ограничено из-за размера обучающих наборов и сетей.

Акай, вместе с партнёром Ясемин Акай, объединил UNet, который является модифицированной архитектурой CNN, с добавленными слоями для преодоления этой проблемы. Затем они разработали мобильный модуль обучения, и результаты показали, что предложенная архитектура глубокого обучения более эффективна и лучше, чем CNN, при классификации изображений SSc.

Ясемин Акай – доцент биомедицинской инженерии в Университете Хьюстона.

“После тонкой настройки наши результаты показали, что предложенная сеть достигла 100% точности на обучающем наборе изображений, 96,8% точности на наборе валидации и 95,2% на тестовом наборе”, – сказал Акай.

Соавторами статьи стали Йонг Ду, Шерил Шерсен, Тинг Чен и Чанфра Мохан из Университета Хьюстона. В исследовании также участвовали Минхуа У и Шервин Ассанси из Центра здравоохранения Университета Техаса (UT Health).