Une nouvelle conception de réseau de neurones artificiels peut faire la différence entre une peau saine et malade –

«Notre étude préliminaire, destinée à montrer l’efficacité de l’architecture de réseau proposée, est prometteuse dans la caractérisation de la SSc», rapporte Metin Akay, professeur titulaire de la chaire John S. Dunn en génie biomédical. L’ouvrage est publié dans le Journal ouvert de l’IEEE sur l’ingénierie en médecine et en biologie.

«Nous pensons que l’architecture de réseau proposée pourrait facilement être mise en œuvre dans un contexte clinique, fournissant un outil de dépistage simple, peu coûteux et précis pour la SSc.

Pour les patients atteints de ScS, un diagnostic précoce est essentiel, mais souvent insaisissable. Plusieurs études ont montré que l’atteinte des organes pouvait survenir beaucoup plus tôt que prévu dans la phase précoce de la maladie, mais le diagnostic précoce et la détermination de l’étendue de la progression de la maladie posent un défi important aux médecins, même dans les centres experts, entraînant des retards dans le traitement et la gestion.

Dans l’intelligence artificielle, l’apprentissage profond organise les algorithmes en couches (le réseau de neurones artificiels) qui peuvent prendre ses propres décisions intelligentes. Pour accélérer le processus d’apprentissage, le nouveau réseau a été formé à l’aide des paramètres de MobileNetV2, une application de vision mobile, pré-formé sur l’ensemble de données ImageNet avec 1,4 million d’images.

«En scannant les images, le réseau apprend des images existantes et décide quelle nouvelle image est normale ou à un stade précoce ou tardif de la maladie», a déclaré Akay.

Parmi plusieurs réseaux d’apprentissage profond, les réseaux de neurones convolutifs (CNN) sont les plus couramment utilisés en ingénierie, en médecine et en biologie, mais leur succès dans les applications biomédicales a été limité en raison de la taille des ensembles et des réseaux de formation disponibles.

Pour surmonter ces difficultés, Akay et son partenaire Yasemin Akay ont combiné l’UNet, une architecture CNN modifiée, avec des couches supplémentaires, et ils ont développé un module de formation mobile. Les résultats ont montré que l’architecture d’apprentissage en profondeur proposée est supérieure et meilleure que les CNN pour la classification des images SSc.

«Après un réglage précis, nos résultats ont montré que le réseau proposé avait atteint une précision de 100% sur l’ensemble d’images de formation, 96,8% de précision sur l’ensemble d’images de validation et 95,2% sur l’ensemble d’images de test», a déclaré Yasmin Akay, professeur agrégé à l’UH en biomédecine. ingénierie.

Le temps de formation était inférieur à cinq heures.

Rejoindre Metin Akay et Yasemin Akay, l’article a été co-écrit par Yong Du, Cheryl Shersen, Ting Chen et Chandra Mohan, tous de l’Université de Houston; et Minghua Wu et Shervin Assassi du Centre des sciences de la santé de l’Université du Texas (UT Health).

Source de l’histoire:

Matériaux fourni par Université de Houston. Original écrit par Laurie Fickman. Remarque: le contenu peut être modifié pour le style et la longueur.