Hlboká neurónová sieť dokáže skrínovať kožné ochorenie na notebooku

Zakladajúci predseda Katedry biomedicínskeho inžinierstva na University of Houston uvádza novú architektúru hlbokej neurónovej siete, ktorá môže poskytnúť včasnú diagnostiku systémovej sklerózy (SSc). SSc je zriedkavé autoimunitné ochorenie, ktoré spôsobuje stvrdnutú alebo fibróznu kožu a vnútorné orgány. 

Navrhovaná sieť je implementovaná so štandardným prenosným počítačom a dokáže okamžite rozpoznať rozdiely medzi obrazmi zdravej kože a kože s SSc.

Výskum bol publikovaný v roku XNUMX IEEE Open Journal of Engineering in Medicine and Biology. 

Metin Akay je profesor biomedicínskeho inžinierstva John S. Dunn. 

"Naša predbežná štúdia, ktorej cieľom je ukázať účinnosť navrhovanej sieťovej architektúry, sľubuje charakterizáciu SSc," hovorí Akay. 

"Veríme, že navrhovanú sieťovú architektúru možno ľahko implementovať v klinickom prostredí, čo poskytuje jednoduchý, lacný a presný skríningový nástroj pre SSc."

SSc a včasná diagnostika

Pre SSc je mimoriadne dôležité včas diagnostikovať, čo je však často ťažké dosiahnuť. Rôzne štúdie dokazujú, že k postihnutiu orgánov by mohlo dôjsť oveľa skôr, ako sa pôvodne očakávalo, a to v skorej fáze ochorenia. 

Pretože aj pre lekárov v odborných centrách je náročné diagnostikovať včas a určiť rozsah progresie ochorenia, často dochádza k dlhým oneskoreniam v terapii a liečbe.

Školenie systému

Hlboké učenie dáva algoritmy do vrstiev, nazývaných umelá neurónová sieť, ktorá môže robiť vlastné rozhodnutia. Výskumníci si dali za cieľ urýchliť proces učenia, a tak novú sieť natrénovali pomocou parametrov MobileNetV2, čo je aplikácia pre mobilné videnie. Je vopred pripravený s 1.4 miliónmi obrázkov z dátového súboru ImageNet. Tréningový čas trval len necelých päť hodín.

„Skenovaním obrázkov sa sieť učí z existujúcich obrázkov a rozhoduje, ktorý nový obrázok je normálny alebo v ranom alebo neskorom štádiu ochorenia,“ povedal Akay.

Konvolučné neurónové siete (CNN), ktoré patria medzi siete hlbokého učenia, sa často spoliehajú na inžinierstvo, biológiu a medicínu. Stále však nedosiahli vysokú úroveň úspechu v biomedicínskych aplikáciách, pretože ich použitie bolo obmedzené v dôsledku veľkosti dostupných tréningových súborov a sietí. 

Akay spolu s partnerom Yasemin Akay skombinovali UNet, čo je upravená architektúra CNN, s ďalšími vrstvami na prekonanie tejto výzvy. Potom vyvinuli mobilný tréningový modul a výsledky ukázali, že navrhovaná architektúra hlbokého učenia je efektívnejšia a lepšia ako CNN, pokiaľ ide o klasifikáciu obrázkov SSc.

Yasemin Akay je inštruktážnou docentkou biomedicínskeho inžinierstva na UH. 

„Po jemnom doladení naše výsledky ukázali, že navrhovaná sieť dosiahla 100 % presnosť na tréningovom súbore obrázkov, 96.8 % presnosť na súbore overovacích obrázkov a 95.2 % na súbore testovacích obrázkov,“ povedal Akay.

Medzi spoluautorov článku patrili Yong Du, Cheryl Shersen, Ting Chen a Chanfra Mohan z University of Houston. Zapojili sa aj Minghua Wu a Shervin Assassi z University of Texas Health Science Center (UT Health).