Djup neural nätverksarkitektur kan skanna hudsjukdomar på bärbar dator

En ny djup neural nätverksarkitektur som kan ge tidig diagnos av systemisk skleros (SSc) rapporteras av grundaren av Biomedical Engineering Department vid University of Houston. SSc är en sällsynt autoimmun sjukdom som orsakar förhårdnad eller fibrotisk hud och inre organ.

Det föreslagna nätverket implementeras med en standardbärbar dator, och det kan omedelbart känna igen skillnaderna mellan bilder av frisk hud och hud med SSc.

Forskningen publicerades i IEEE Open Journal of Engineering in Medicine and Biology.

Metin Akay är en John S. Dunn Endowed Chair Professor i biomedicinsk teknik.

“Vår preliminära studie, som är tänkt att visa den föreslagna nätverksarkitekturens effektivitet, visar löfte i karakteriseringen av SSc”, säger Akay.

“Vi tror att den föreslagna nätverksarkitekturen lätt kunde implementeras i en klinisk miljö, vilket skulle ge ett enkelt, billigt och exakt screeningverktyg för SSc.”

SSc och tidig diagnos

Det är extremt viktigt att SSc diagnostiseras tidigt, men detta är ofta svårt att uppnå. Olika studier visar att organsinblandning kan ske mycket tidigare än vad som tidigare förväntats, och detta sker i den tidiga fasen av sjukdomen.

Eftersom det är så svårt för till och med läkare på expertcenter att diagnostisera tidigt och bestämma omfattningen av sjukdomsprogressionen, finns det ofta långa förseningar i terapi och behandling.

Träning av systemet

Djupinlärning lägger algoritmer i lager, som kallas det artificiella neuronnätverket, som kan fatta beslut på egen hand. Forskarna satte som mål att påskynda inlärningsprocessen, så de tränade det nya nätverket med parametrarna för MobileNetV2, som är en mobil visionansökan. Det är förtränat med 1,4 miljoner bilder från ImageNet-databasen. Tränningstiden varade mindre än fem timmar.

“Genom att scanna bilderna lär sig nätverket av de befintliga bilderna och bestämmer vilken ny bild som är normal eller i tidig eller sen fas av sjukdomen”, sa Akay.

Konvolutionsneuronnätverk (CNN), som är en del av djupinlärning, används ofta inom teknik, biologi och medicin. Men de har ännu inte uppnått en hög nivå av framgång inom biomedicinska tillämpningar, eftersom deras användning har begränsats på grund av storleken på träningsuppsättningar och nätverk som finns tillgängliga.

Akay, tillsammans med partner Yasemin Akay, kombinerade UNet, som är en modifierad CNN-arkitektur, med tillagda lager för att övervinna denna utmaning. De utvecklade sedan en mobil träningsmodul, och resultaten visade att den föreslagna djupinlärningsarkitekturen är mer effektiv och bättre än CNN när det gäller att klassificera SSc-bilder.

Yasemin Akay är en UH-instruktionsprofessor i biomedicinsk teknik.

“Efter finjustering visade våra resultat att det föreslagna nätverket uppnådde 100% noggrannhet på träningsbilduppsättningen, 96,8% noggrannhet på valideringsbilduppsättningen och 95,2% på testbilduppsättningen”, sa Akay.

Artikelns medförfattare inkluderade Yong Du, Cheryl Shersen, Ting Chen och Chanfra Mohan från University of Houston. Det involverade också Minghua Wu och Shervin Assassi från University of Texas Health Science Center (UT Health).