غربالگری بیماری پوستی با كمك لپ تاپ
خراسان رضوی طراحی جدید شبکه عصبی مصنوعی می تواند بین پوست سالم و بیمار تفاوت قائل شود.
به گزارش ساینس دیلی، بنیان گذار گروه مهندسی زیست پزشکی دانشگاه هوستون، امریکا، از معماری جدید شبکه عصبی عمقی جهت استفاده در یک لپ تاپ استاندارد، خبر می دهد که اسکلروز سیستمیک (SSc)، یک بیماری خود ایمنی نادر که با درگیری ارگان های داخلی و پوست لیفی یا ضخیم شده، مشخص می شود را در مراحل اولیه تشخیص می دهد. شبکه پیشنهادی که با استفاده از یک لپ تاپ استاندارد (۲.۵ گیگاهرتز Intel Core i۷) اجرا شده است، می تواند 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 می دهد: «مطالعه مقدماتی ما، با هدف نشان دادن کارایی ساختار معماری پیشنهادی، نویدبخش توصیف خصوصیات اسکلروز سیستمیک است.»
وی می گوید: «ما معتقدیم که معماری شبکه پیشنهادی به سادگی می تواند در یک محیط بالینی پیاده سازی شود و یک ابزار غربالگری ساده، ارزان و دقیق برای اسکلروز سیستمیک فراهم آورد.»
برای بیماران مبتلابه اسکلروز سیستمیک، تشخیص بموقع حیاتی، اما اغلب دست نیافتنی است. مطالعات گوناگونی نشان داده اند که درگیری اعضاء بدن می تواند 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 می کند که منجر به تاخیر در درمان و کنترل بیماری می شود.
هوش مصنوعی، یادگیری عمیق (نوعی یادگیری ماشین مبتنی بر شبکه های عصبی مصنوعی که در آن از چندین لایه پردازش برای استخراج خصوصیت های سطح به تدریج بالاتر از داده ها استفاده می شود)، الگوریتم ها را به لایه هایی (شبکه عصبی مصنوعی) سازمان می دهد که می تواند تصمیمات هوشمندانه بگیرد. برای سرعت بخشیدن به فرآیند 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 می شود.
آکای اظهار داشت: «با اسکن تصاویر، شبکه از تصاویر موجود یاد می گیرد و تصمیم گیری می کند که کدام تصویر جدید طبیعی است یا در مراحل اولیه یا اواخر بیماری است.»
در بین چندین شبکه یادگیری عمیق، شبکه های عصبی پیچشی (CNN) بیشتر در مهندسی، پزشکی و زیست شناسی مورد استفاده قرار می گیرند، اما موفقیت آنها در کاربردهای پزشکی به علت اندازه مجموعه ها و شبکه های 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 لایه های 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 طبقه بندی تصاویر اسکلروز سیستمیک است.
یاسمین آکای، دانشیار آموزشی زیست پزشکی دانشگاه هوستون، اظهار داشت: «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 به ذکر است، زمان آموزش کمتر از پنج ساعت بود.
نتایج این تحقیق در مجله مهندسی پزشکی و زیست شناسی IEEE منتشرشده است.
منبع: شاه بلاگ
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب