Home / deep learning apprendimento profondo / La rete neurale profonda può eseguire lo screening per malattie della pelle sul laptop

La rete neurale profonda può eseguire lo screening per malattie della pelle sul laptop

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).

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi