โครงข่ายประสาทเทียมลึกสามารถตรวจจับโรคผิวหนังบนแล็ปท็อป

โครงข่ายประสาทเทียมลึกใหม่ที่สามารถให้การวินิจฉัยโรคซิสเตมิกสเกลโรซิส (SSc) ในระยะแรกได้ถูกรายงานโดยประธานก่อตั้งภาควิชาวิศวกรรมชีวการแพทย์ มหาวิทยาลัยฮูสตัน SSc เป็นโรคภูมิต้านตนเองที่ทำให้ผิวหนังและอวัยวะภายในแข็งหรือเป็นเส้นใย

โครงข่ายที่ถูกเสนอถูกนำไปใช้บนคอมพิวเตอร์แล็ปท็อปมาตรฐาน และสามารถรับรู้ความแตกต่างระหว่างภาพของผิวหนังที่มีสุขภาพดีและผิวหนังที่มี SSc ได้ทันที

การวิจัยนี้ได้รับการตีพิมพ์ใน IEEE Open Journal of Engineering in Medicine and Biology

เมทิน อากาย เป็นศาสตราจารย์แห่งมหาวิทยาลัยฮูสตัน

“การศึกษาที่เราทำเพื่อแสดงถึงประสิทธิภาพของโครงข่ายที่เราเสนอ มีความหวังในการอธิบาย SSc” อากายกล่าว

“เราเชื่อว่าโครงข่ายที่เราเสนอสามารถนำไปใช้ในสถานพยาบาลได้ง่ายๆ โดยให้เครื่องมือตรวจจับ SSc ที่ง่าย ต้นทุนต่ำ และแม่นยำ”

SSc และการวินิจฉัยในระยะแรก

การวินิจฉัย SSc ในระยะแรกมีความสำคัญอย่างมาก แต่การทำเช่นนี้มักจะยาก การศึกษาต่างๆแสดงให้เห็นว่าความเกี่ยวข้องของอวัยวะอาจเกิดขึ้นเร็วกว่าที่คาดไว้ และอาจเกิดขึ้นในระยะแรกของโรค

เนื่องจากการวินิจฉัย SSc ในระยะแรกและกำหนดระดับการดำเนินโรคมักจะยากสำหรับแพทย์แม้แต่ในศูนย์ผู้เชี่ยวชาญ ดังนั้นจึงมักจะมีการล่าช้าในการรักษาและบำบัด

การฝึกอบรมระบบ

การเรียนรู้ลึกเป็นการวางอัลกอริทึมลงในระดับ ซึ่งเรียกว่าโครงข่ายประสาทเทียม ซึ่งสามารถตัดสินใจได้ด้วยตนเอง นักวิจัยตั้งเป้าที่จะเร่งการเรียนรู้ ดังนั้นพวกเขาจึงฝึกโครงข่ายใหม่โดยใช้พารามิเตอร์ของ MobileNetV2 ซึ่งเป็นแอปพลิเคชันการมองเห็นบนมือถือ มันถูกฝึกมาแล้วด้วยภาพ 1.4 ล้านภาพจาก ImageNet การฝึกใช้เวลาไม่ถึง 5 ชั่วโมง

“โดยการสแกนภาพ โครงข่ายเรียนรู้จากภาพที่มีอยู่แล้วและตัดสินว่าภาพใหม่ใดเป็นปกติหรืออยู่ในระยะแรกหรือระยะสุดท้ายของโรค” อากายกล่าว

โครงข่ายประสาทเทียมลึกแบบโคนโวลูชัน (CNNs) ซึ่งเป็นโครงข่ายการเรียนรู้ลึกที่ใช้กันมากในงานวิศวกรรม ชีววิทยา และการแพทย์ แต่ยังไม่ได้ประสบความสำเร็จในระดับสูงในแอปพลิเคชันทางชีวการแพทย์ เนื่องจากการใช้งานมีการจำกัดเนื่องจากขนาดของชุดฝึกและโครงข่ายที่มีอยู่

อากายและหุ้นส่วน Yasemin Akay รวม UNet ซึ่งเป็นโครงข่าย CNN ที่ถูกดัดแปลง มาใช้เพื่อแก้ไขความท้าทายนี้ จากนั้นพวกเขาพัฒนามอดูลการฝึกบนมือถือ และผลลัพธ์แสดงให้เห็นว่าโครงข่ายการเรียนรู้ลึกที่ถูกเสนอ มีประสิทธิภาพและดีกว่า CNNs ในการจำแนกภาพ SSc

Yasemin Akay เป็นอาจารย์ประจำสอนวิชาวิศวกรรมชีวการแพทย์ มหาวิทยาลัยฮูสตัน

“หลังจากการปรับให้เหมาะสม ผลลัพธ์ของเราแสดงให้เห็นว่าโครงข่ายที่เราเสนอได้ถึงความแม่นยำ 100% ในชุดฝึกภาพ 96.8% ในชุดตรวจสอบภาพ และ 95.2% ในชุดทดสอบภาพ” อากายกล่าว

ผู้เขียนร่วมของบทความนี้รวม Yong Du, Cheryl Shersen, Ting Chen และ Chanfra Mohan จากมหาวิทยาลัยฮูสตัน และ Minghua Wu และ Shervin Assassi จากมหาวิทยาลัยเท็กซัสฮีลท์ซายนซ์เซ็นเตอร์ (UT Health)