Skrining Penyakit Kulit di Laptop Anda

Ketua pendiri Departemen Teknik Biomedis di University of Houston melaporkan arsitektur jaringan saraf dalam baru yang memberikan diagnosis dini sklerosis sistemik (SSc), penyakit autoimun langka yang ditandai dengan kulit yang mengeras atau berserat dan organ dalam. Jaringan yang diusulkan, diimplementasikan menggunakan komputer laptop standar (2,5 GHz Intel Core i7), dapat segera membedakan antara gambar kulit yang sehat dan kulit dengan sklerosis sistemik.

"Studi pendahuluan kami, dimaksudkan untuk menunjukkan kemanjuran arsitektur jaringan yang diusulkan, menjanjikan dalam karakterisasi SSc," lapor Metin Akay, Ketua Profesor teknik biomedis John S. Dunn Diberkahi. Karya ini diterbitkan dalam IEEE Open Journal of Engineering in Medicine and Biology .

"Kami percaya bahwa arsitektur jaringan yang diusulkan dapat dengan mudah diimplementasikan dalam pengaturan klinis, menyediakan alat skrining yang sederhana, murah dan akurat untuk SSc."

Untuk pasien dengan SSc, diagnosis dini sangat penting, tetapi seringkali sulit dipahami. Beberapa penelitian telah menunjukkan bahwa keterlibatan organ dapat terjadi jauh lebih awal dari yang diharapkan pada fase awal penyakit, tetapi diagnosis dini dan penentuan tingkat perkembangan penyakit menimbulkan tantangan yang signifikan bagi dokter, bahkan di pusat ahli, yang mengakibatkan keterlambatan dalam terapi dan manajemen.

Dalam kecerdasan buatan, pembelajaran mendalam mengatur algoritme menjadi beberapa lapisan (jaringan saraf tiruan) yang dapat membuat keputusan cerdasnya sendiri. Untuk mempercepat proses pembelajaran, jaringan baru dilatih menggunakan parameter MobileNetV2, aplikasi visi seluler, dilatih sebelumnya pada dataset ImageNet dengan gambar 1,4 juta.

"Dengan memindai gambar, jaringan belajar dari gambar yang ada dan memutuskan gambar baru mana yang normal atau dalam tahap awal atau akhir penyakit," kata Akay.

Di antara beberapa jaringan pembelajaran mendalam, Jaringan Neural Konvolusional (CNN) paling umum digunakan dalam bidang teknik, kedokteran, dan biologi, tetapi keberhasilannya dalam aplikasi biomedis terbatas karena ukuran set pelatihan dan jaringan yang tersedia.

Untuk mengatasi kesulitan ini, Akay dan mitranya Yasemin Akay menggabungkan UNet, arsitektur CNN yang dimodifikasi, dengan lapisan tambahan, dan mereka mengembangkan modul pelatihan seluler. Hasil penelitian menunjukkan bahwa arsitektur deep learning yang diusulkan lebih unggul dan lebih baik daripada CNN untuk klasifikasi citra SSc.

"Setelah fine tuning, hasil kami menunjukkan jaringan yang diusulkan mencapai akurasi 100% pada set gambar pelatihan, 96,8% akurasi pada set gambar validasi, dan 95,2% pada set gambar pengujian," kata Yasmin Akay, profesor asosiasi instruksional UH biomedis. teknik.

Waktu pelatihan kurang dari lima jam.

Bergabung dengan Metin Akay dan Yasemin Akay, makalah ini ditulis bersama oleh Yong Du, Cheryl Shersen, Ting Chen dan Chandra Mohan, semuanya dari University of Houston; dan Minghua Wu dan Shervin Assassi dari Pusat Ilmu Kesehatan Universitas Texas (UT Health). [Sciencedaily, wapseru.biz]