استفاده از لپ‌تاپ جهت غربالگری بیماری پوستی
یکی از قابلیت‌های طراحی جدید شبکه عصبی مصنوعی، تشخیص تفاوت بین پوست سالم و بیمار می‌باشد.
ساینس دیلی نوشت: 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.
منبع: ایسنا
46
