深度神经网络可以在笔记本电脑上筛查皮肤疾病

德克萨斯大学休斯顿分校生物医学工程系创始主席报告了一种新的深度神经网络架构，可以提供系统性硬化症（SSc）的早期诊断。系统性硬化症是一种罕见的自身免疫疾病，导致皮肤和内部器官变硬或纤维化。

该网络是在标准笔记本电脑上实现的，可以立即识别健康皮肤和系统性硬化症皮肤的图像差异。

该研究发表在IEEE开放期刊工程与医学和生物学上。

梅廷·阿卡伊（Metin Akay）是约翰·S·邓恩生物医学工程系终身教授。

“我们的初步研究旨在展示所提出的网络架构的有效性，在系统性硬化症的特征化方面具有前景，”阿卡伊说。

“我们相信，所提出的网络架构可以轻松地在临床环境中实施，提供一种简单、廉价、准确的系统性硬化症筛查工具。”

系统性硬化症和早期诊断

系统性硬化症的早期诊断非常重要，但这往往很难实现。各种研究表明，器官损害可能比预期更早地发生，在疾病的早期阶段就已经发生。

由于即使是专家中心的医生也很难早期诊断和确定疾病的进展程度，因此治疗和治疗经常延迟。

训练系统

深度学习将算法分层，称为人工神经网络，可以做出自己的决定。研究人员旨在加快学习过程，因此他们使用MobileNetV2的参数训练了新的网络，MobileNetV2是一种移动视觉应用，预训练了140万张ImageNet数据集中的图像。训练时间不到五个小时。

“通过扫描图像，网络从现有图像中学习，并决定哪张新图像是正常的还是疾病的早期或晚期，”阿卡伊说。

卷积神经网络（CNN）是深度学习网络的一种，通常在工程、生物学和医学中使用。然而，它们在生物医学应用中尚未达到高水平的成功，因为训练集和网络的大小有限。

阿卡伊和他的合作者亚瑟明·阿卡伊（Yasemin Akay）将UNet（一种修改的CNN架构）与添加的层相结合，以克服这一挑战。他们开发了一个移动训练模块，结果表明所提出的深度学习架构在分类系统性硬化症图像方面比CNN更高效、更好。

亚瑟明·阿卡伊（Yasemin Akay）是休斯顿大学生物医学工程系的教学副教授。

“在微调后，我们的结果显示，所提出的网络在训练图像集上达到100%的准确率，在验证图像集上达到96.8%的准确率，在测试图像集上达到95.2%的准确率，”阿卡伊说。

该论文的共同作者包括休斯顿大学的Yong Du、Cheryl Shersen、Ting Chen和Chanfra Mohan。它还涉及德克萨斯大学健康科学中心（UT Health）的Minghua Wu和Shervin Assassi。