غربالگری بیماری پوستی با کمک لپ‌تاپ

به گزارش ساینس دیلی، بنیان‌گذار گروه مهندسی زیست پزشکی دانشگاه هوستون، امریکا، از معماری جدید شبکه عصبی عمقی برای استفاده در یک لپ‌تاپ استاندارد، خبر می­‌دهد که اسکلروز سیستمیک (SSc)، یک بیماری خود ایمنی نادر که با درگیری ارگان‌های داخلی و پوست لیفی یا ضخیم شده، مشخص می­‌شود را در مراحل اولیه تشخیص می­‌دهد. شبکه پیشنهادی که با استفاده از یک لپ‌تاپ استاندارد (۲.۵ گیگاهرتز Intel Core i۷) اجرا شده است، می‌تواند بلافاصله بین تصاویر پوست سالم و پوست مبتلابه بیماری اسکلروز سیستمیک تمایز قائل شود.

متین آکای، جان اس. دان دارای کرسی استادی مهندسی زیست پزشکی، گزارش می­‌دهد: «مطالعه مقدماتی ما، با هدف نشان دادن کارایی ساختار معماری پیشنهادی، نویدبخش توصیف خصوصیات اسکلروز سیستمیک است.»

وی می­‌گوید: «ما معتقدیم که معماری شبکه پیشنهادی به راحتی می‌تواند در یک محیط بالینی پیاده‌سازی شود و یک ابزار غربالگری ساده، ارزان و دقیق برای اسکلروز سیستمیک فراهم کند.»

برای بیماران مبتلابه اسکلروز سیستمیک، تشخیص به موقع حیاتی، اما اغلب دست نیافتنی است. مطالعات متعددی نشان داده‌­اند که درگیری اعضاء بدن می­‌تواند خیلی زودتر از حد انتظار در مرحله اولیه بیماری رخ دهد، که باوجود تشخیص زودهنگام و تعیین میزان پیشرفت بیماری، پزشکان را حتی در مراکز تخصصی با چالش مهمی روبرو می­‌کند که منجر به تاخیر در درمان و کنترل بیماری می­‌شود.

هوش مصنوعی، یادگیری عمیق (نوعی یادگیری ماشین مبتنی بر شبکه‌های عصبی مصنوعی که در آن از چندین لایه پردازش برای استخراج ویژگی‌های سطح به تدریج بالاتر از داده‌ها استفاده می‌شود)، الگوریتم‌ها را به لایه‌هایی (شبکه عصبی مصنوعی) سازمان می­‌دهد که می‌­تواند تصمیمات هوشمندانه بگیرد. برای سرعت بخشیدن به فرایند یادگیری، با استفاده از پارامترهای MobileNetV۲، یک برنامه تصویری تلفن همراه که از قبل روی پایگاه داده تصویری با تصاویر ۱.۴M آموزش دیده، شبکه جدید، آموزش داده می­‌شود.

آکای گفت: «با اسکن تصاویر، شبکه از تصاویر موجود یاد می­‌گیرد و تصمیم­‌گیری می­‌کند که کدام تصویر جدید طبیعی است یا در مراحل اولیه یا اواخر بیماری است.»

در میان چندین شبکه یادگیری عمیق، شبکه‌های عصبی پیچشی (CNN) بیشتر در مهندسی، پزشکی و زیست‌شناسی مورد استفاده قرار می­‌گیرند، اما موفقیت آنها در کاربردهای پزشکی به دلیل اندازه مجموعه‌ها و شبکه‌های آموزشی موجود محدود شده است.

برای غلبه بر این مشکلات، آکای و همسرش، یاسمین آکای، به شبکه عصبی پیچشی، معماری اصلاح شده CNN را با لایه‌های اضافه شده ترکیب کردند و یک واحد آموزش متحرک ایجاد کردند. نتایج نشان داد که معماری یادگیری عمیق پیشنهادی برتر و بهتر از CNN برای طبقه‌بندی تصاویر اسکلروز سیستمیک است.

یاسمین آکای، دانشیار آموزشی زیست‌پزشکی دانشگاه هوستون، گفت: «پس از تنظیم دقیق، نتایج ما نشان داد که شبکه پیشنهادی به ۱۰۰ درصد دقت در آموزش مجموعه تصاویر، ۹۶.۸ درصد دقت در روایی مجموعه تصاویر و ۹۵.۲ درصد دقت در آزمایش مجموعه تصاویر رسیده است.»

لازم به‌ذکر است، زمان آموزش کمتر از پنج ساعت بود.

نتایج این تحقیق در مجله مهندسی پزشکی و زیست شناسی IEEE منتشرشده است.