غربالگری بیماری پوستی با کمک لپتاپ

ايسنا/طراحي جديد شبکه عصبي مصنوعي ميتواند بين پوست سالم و بيمار تفاوت قائل شود.
به گزارش ساينس ديلي، بنيانگذار گروه مهندسي زيست پزشکي دانشگاه هوستون، امريکا، از معماري جديد شبکه عصبي عمقي براي استفاده در يک لپتاپ استاندارد، خبر ميدهد که اسکلروز سيستميک (SSc)، يک بيماري خود ايمني نادر که با درگيري ارگانهاي داخلي و پوست ليفي يا ضخيم شده، مشخص ميشود را در مراحل اوليه تشخيص ميدهد. شبکه پيشنهادي که با استفاده از يک لپتاپ استاندارد (۲.۵ گيگاهرتز Intel Core i۷) اجرا شده است، ميتواند بلافاصله بين تصاوير پوست سالم و پوست مبتلابه بيماري اسکلروز سيستميک تمايز قائل شود.
متين آکاي، جان اس. دان داراي کرسي استادي مهندسي زيست پزشکي، گزارش ميدهد: «مطالعه مقدماتي ما، با هدف نشان دادن کارايي ساختار معماري پيشنهادي، نويدبخش توصيف خصوصيات اسکلروز سيستميک است.»
وي ميگويد: «ما معتقديم که معماري شبکه پيشنهادي به راحتي ميتواند در يک محيط باليني پيادهسازي شود و يک ابزار غربالگري ساده، ارزان و دقيق براي اسکلروز سيستميک فراهم کند.»
براي بيماران مبتلابه اسکلروز سيستميک، تشخيص به موقع حياتي، اما اغلب دست نيافتني است. مطالعات متعددي نشان دادهاند که درگيري اعضاء بدن ميتواند خيلي زودتر از حد انتظار در مرحله اوليه بيماري رخ دهد، که باوجود تشخيص زودهنگام و تعيين ميزان پيشرفت بيماري، پزشکان را حتي در مراکز تخصصي با چالش مهمي روبرو ميکند که منجر به تاخير در درمان و کنترل بيماري ميشود.
هوش مصنوعي، يادگيري عميق (نوعي يادگيري ماشين مبتني بر شبکههاي عصبي مصنوعي که در آن از چندين لايه پردازش براي استخراج ويژگيهاي سطح به تدريج بالاتر از دادهها استفاده ميشود)، الگوريتمها را به لايههايي (شبکه عصبي مصنوعي) سازمان ميدهد که ميتواند تصميمات هوشمندانه بگيرد. براي سرعت بخشيدن به فرايند يادگيري، با استفاده از پارامترهاي MobileNetV۲، يک برنامه تصويري تلفن همراه که از قبل روي پايگاه داده تصويري با تصاوير ۱.۴M آموزش ديده، شبکه جديد، آموزش داده ميشود.
آکاي گفت: «با اسکن تصاوير، شبکه از تصاوير موجود ياد ميگيرد و تصميمگيري ميکند که کدام تصوير جديد طبيعي است يا در مراحل اوليه يا اواخر بيماري است.»
در ميان چندين شبکه يادگيري عميق، شبکههاي عصبي پيچشي (CNN) بيشتر در مهندسي، پزشکي و زيستشناسي مورد استفاده قرار ميگيرند، اما موفقيت آنها در کاربردهاي پزشکي به دليل اندازه مجموعهها و شبکههاي آموزشي موجود محدود شده است.
براي غلبه بر اين مشکلات، آکاي و همسرش، ياسمين آکاي، به شبکه عصبي پيچشي، معماري اصلاح شده CNN را با لايههاي اضافه شده ترکيب کردند و يک واحد آموزش متحرک ايجاد کردند. نتايج نشان داد که معماري يادگيري عميق پيشنهادي برتر و بهتر از CNN براي طبقهبندي تصاوير اسکلروز سيستميک است.
ياسمين آکاي، دانشيار آموزشي زيستپزشکي دانشگاه هوستون، گفت: «پس از تنظيم دقيق، نتايج ما نشان داد که شبکه پيشنهادي به ۱۰۰ درصد دقت در آموزش مجموعه تصاوير، ۹۶.۸ درصد دقت در روايي مجموعه تصاوير و ۹۵.۲ درصد دقت در آزمايش مجموعه تصاوير رسيده است.»
لازم بهذکر است، زمان آموزش کمتر از پنج ساعت بود.
نتايج اين تحقيق در مجله مهندسي پزشکي و زيست شناسي IEEE منتشرشده است.