Глибокі нейронні мережі можуть скринінгувати захворювання шкіри на ноутбуці

Нова архітектура глибоких нейронних мереж, яка може забезпечити ранню діагностику системного склерозу (SSc), повідомляється засновником кафедри біомедичної інженерії Університету Х’юстона.

Предложена мережа реалізована на стандартному ноутбуці, і вона може негайно розпізнавати відмінності між зображеннями здорової шкіри та шкіри з SSc.

Дослідження опубліковано в IEEE Open Journal of Engineering in Medicine and Biology.

Метін Акай – професор біомедичної інженерії, який займає посаду Джона С. Данна.

“Наше попереднє дослідження, яке мало на меті продемонструвати ефективність запропонованої мережевої архітектури, має перспективи у характеристиці SSc”, – говорить Акай.

“Ми вважаємо, що запропоновану мережеву архітектуру можна легко реалізувати в клінічному середовищі, забезпечуючи простий, недорогий і точний інструмент для скринінгу SSc.”

SSc і рання діагностика

Дуже важливо, щоб SSc був діагностований на ранній стадії, але це часто буває складно досягти. Різні дослідження демонструють, що залучення органів може відбуватися значно раніше, ніж очікувалося, вже на ранній стадії захворювання.

Оскільки діагностика на ранній стадії та визначення ступеня прогресії захворювання часто бувають складними навіть для лікарів-експертів, існує ризик затримки у лікуванні та терапії.

Навчання системи

Глибоке навчання розбиває алгоритми на шари, які називаються штучними нейронними мережами, які можуть приймати рішення самостійно. Дослідники намагалися прискорити процес навчання, тому вони навчали нову мережу за допомогою параметрів MobileNetV2, який є мобільним застосунком для бачення. Він попередньо навчений на 1,4 мільйонах зображень з набору даних ImageNet. Час навчання тривав менше п’яти годин.

“Аналізуючи зображення, мережа вчиться на існуючих зображеннях і визначає, яке нове зображення є нормальним або знаходиться на ранній чи пізній стадії захворювання”, – сказав Акай.

Конволюційні нейронні мережі (CNN), які належать до глибоких нейронних мереж, часто використовуються в інженерії, біології та медицині. Однак вони ще не досягли високого рівня успіху у біомедичних застосуваннях, оскільки їхнє використання обмежене розміром навчальних наборів і мереж.

Акай разом з партнером Ясемін Акай поєднав UNet, який є модифікованою архітектурою CNN, з додатковими шарами для подолання цієї проблеми. Потім вони розробили мобільний модуль навчання, і результати показали, що запропонована архітектура глибокого навчання є більш ефективною та кращою за CNN при класифікації зображень SSc.

Ясемін Акай – асистент професора біомедичної інженерії Університету Х’юстона.

“Після донастройки наші результати показали, що запропонована мережа досягла 100% точності на навчальному наборі зображень, 96,8% точності на наборі валідації та 95,2% на тестовому наборі”, – сказав Акай.

Серед співавторів статті були Йонг Ду, Шеріл Шерсен, Тінг Чен та Чанфра Мохан з Університету Х’юстона. Також у дослідження брали участь Мінхуа У та Шервін Ассасі з Центру охорони здоров’я Університету Техасу (UT Health).