Una nuova architettura di rete neurale profonda in grado di fornire una diagnosi precoce della sclerosi sistemica (SSc) è stata segnalata dal presidente fondatore del dipartimento di ingegneria biomedica presso l’Università di Houston. La SSc è una rara malattia autoimmune che causa pelle e organi interni induriti o fibrosi.
La rete proposta è implementata con un computer portatile standard e può immediatamente riconoscere le differenze tra le immagini di pelle sana e la pelle con SSc.
La ricerca è stata pubblicata su IEEE Open Journal of Engineering in Medicine and Biology .
Metin Akay è professore di ingegneria biomedica alla John S. Dunn Endowed Chair.
“Il nostro studio preliminare, inteso a dimostrare l’efficacia dell’architettura di rete proposta, è promettente nella caratterizzazione di SSc”, afferma Akay.
“Riteniamo che l’architettura di rete proposta possa essere facilmente implementata in un contesto clinico, fornendo uno strumento di screening semplice, economico e accurato per SSc”.
SSc e diagnosi precoce
È estremamente importante che la SSc venga diagnosticata precocemente, ma spesso è difficile da ottenere. Vari studi dimostrano che il coinvolgimento degli organi potrebbe avvenire molto prima del previsto, nella fase iniziale della malattia.
Poiché è così difficile anche per i medici dei centri esperti diagnosticare precocemente e determinare l’entità della progressione della malattia, ci sono spesso lunghi ritardi nella terapia e nel trattamento.
Addestrare il sistema
Il deep learning mette gli algoritmi in livelli, chiamati rete neurale artificiale , che possono prendere le proprie decisioni. I ricercatori si sono proposti di accelerare il processo di apprendimento, quindi hanno addestrato la nuova rete utilizzando i parametri di MobileNetV2, un’applicazione di visione mobile. È pre-addestrato con 1,4 milioni di immagini dal set di dati ImageNet. Il tempo di formazione è durato solo meno di cinque ore.
“Scansionando le immagini, la rete impara dalle immagini esistenti e decide quale nuova immagine è normale o in una fase precoce o avanzata della malattia”, ha detto Akay.
Le reti neurali convoluzionali (CNN), che fanno parte delle reti di apprendimento profondo, sono spesso utilizzate in ingegneria, biologia e medicina. Tuttavia, non hanno ancora raggiunto un alto livello di successo nelle applicazioni biomediche, poiché il loro utilizzo è stato limitato a causa delle dimensioni dei set di formazione e delle reti disponibili.
Akay, insieme al partner Yasemin Akay, ha combinato UNet, che è un’architettura CNN modificata, con livelli aggiunti per superare questa sfida. Hanno quindi sviluppato un modulo di formazione mobile ei risultati hanno dimostrato che l’architettura di deep learning proposta è più efficiente e migliore delle CNN quando si tratta di classificare le immagini SSc.
Yasemin Akay è un professore associato didattico UH di ingegneria biomedica.
“Dopo la messa a punto, i nostri risultati hanno mostrato che la rete proposta ha raggiunto una precisione del 100% sul set di immagini di addestramento, il 96,8% di precisione sul set di immagini di convalida e il 95,2% sul set di immagini di test”, ha affermato Akay.
I coautori del documento includevano Yong Du, Cheryl Shersen, Ting Chen e Chanfra Mohan dell’Università di Houston. Ha coinvolto anche Minghua Wu e Shervin Assassi dell’Università del Texas Health Science Center (UT Health).
