Mạng nơ-ron sâu có thể sàng lọc bệnh da trên Laptop

Kiến trúc mạng nơ-ron sâu mới có thể cung cấp chẩn đoán sớm bệnh xơ cứng bì toàn thân (SSc) đang được báo cáo bởi chủ tịch sáng lập của Bộ môn Kỹ thuật Y sinh tại Đại học Houston. SSc là một bệnh tự miễn hiếm gặp gây ra da và các cơ quan nội tạng bị cứng hóa hoặc xơ hóa.

Mạng được đề xuất được thực hiện với một máy tính xách tay tiêu chuẩn, và nó có thể nhận ra ngay lập tức sự khác biệt giữa các hình ảnh da khỏe mạnh và da bị SSc.

Nghiên cứu được công bố trong Tạp chí Kỹ thuật Y sinh Mở của IEEE.

Metin Akay là giáo sư kỹ thuật y sinh được tài trợ bởi John S. Dunn.

“Nghiên cứu sơ bộ của chúng tôi, nhằm mục đích展示 hiệu quả của kiến trúc mạng được đề xuất, mang lại hy vọng trong việc đặc trưng hóa SSc,” Akay nói.

“Chúng tôi tin rằng kiến trúc mạng được đề xuất có thể dễ dàng được thực hiện trong một môi trường lâm sàng, cung cấp một công cụ sàng lọc đơn giản, giá rẻ và chính xác cho SSc.”

SSc và Chẩn đoán Sớm

Điều cực kỳ quan trọng là SSc cần được chẩn đoán sớm, nhưng điều này thường khó đạt được. Các nghiên cứu khác nhau cho thấy sự tham gia của cơ quan có thể xảy ra sớm hơn nhiều so với dự kiến, xảy ra trong giai đoạn đầu của bệnh.

Bởi vì nó rất khó khăn ngay cả đối với các bác sĩ tại các trung tâm chuyên gia để chẩn đoán sớm và xác định mức độ tiến triển của bệnh, nên thường có sự chậm trễ trong liệu pháp và điều trị.

Đào tạo Hệ thống

Học sâu đặt các thuật toán vào các lớp, được gọi là mạng nơ-ron nhân tạo, có thể đưa ra quyết định của riêng nó. Các nhà nghiên cứu đã thiết lập để tăng tốc quá trình học, vì vậy họ đã đào tạo mạng mới bằng cách sử dụng các tham số của MobileNetV2, đó là một ứng dụng tầm nhìn di động. Nó được đào tạo trước với 1,4 triệu hình ảnh từ tập dữ liệu ImageNet. Thời gian đào tạo chỉ kéo dài dưới năm giờ.

“Bằng cách quét các hình ảnh, mạng học từ các hình ảnh hiện có và quyết định hình ảnh mới là bình thường hay ở giai đoạn đầu hoặc cuối của bệnh,” Akay nói.

Mạng nơ-ron tích chập (CNN), là một phần của mạng học sâu, thường được sử dụng trong kỹ thuật, sinh học và y học. Tuy nhiên, chúng vẫn chưa đạt được mức độ thành công cao trong các ứng dụng y sinh, vì việc sử dụng chúng đã bị hạn chế do kích thước của tập dữ liệu đào tạo và mạng có sẵn.

Akay, cùng với đối tác Yasemin Akay, đã kết hợp UNet, đó là một kiến trúc CNN được sửa đổi, với các lớp thêm vào để vượt qua thách thức này. Sau đó, họ đã phát triển một mô-đun đào tạo di động, và kết quả cho thấy kiến trúc học sâu được đề xuất là hiệu quả và tốt hơn CNN khi phân loại hình ảnh SSc.

Yasemin Akay là một giáo sư phụ tá giảng dạy kỹ thuật y sinh tại UH.

“Sau khi tinh chỉnh, kết quả của chúng tôi cho thấy mạng được đề xuất đạt độ chính xác 100% trên tập dữ liệu đào tạo, 96,8% độ chính xác trên tập dữ liệu xác thực và 95,2% trên tập dữ liệu kiểm tra,” Akay nói.

Các đồng tác giả của bài báo bao gồm Yong Du, Cheryl Shersen, Ting Chen và Chanfra Mohan từ Đại học Houston. Nó cũng liên quan đến Minghua Wu và Shervin Assassi của Trung tâm Khoa học Y tế Đại học Texas (UT Health).