休斯敦大学生物医学工程系正在报告一种新的深度神经网络体系结构，该体系结构可以对系统性硬化症（SSc）进行早期诊断。



SSc是一种罕见的自身免疫性疾病，以硬化或纤维状的皮肤和内部器官为标志。使用标准便携式计算机（2.5 GHz Intel Core i7）实现的拟议网络可以立即区分健康皮肤的图像和系统性硬化症的皮肤。



初步研究旨在证明所提出的网络 体系结构的功效，在SSc的表征方面具有希望，生物医学工程学教授John S. Dunn Endow的Metin Akay报告。该研究成果发表在《IEEE医学与生物学工程学开放期刊》上。
所提议的网络架构可以在临床环境中轻松实现，从而为SSc提供简单，廉价且准确的筛选工具。



对于SSc患者，早期诊断至关重要，但往往难以捉摸。几项研究表明，在疾病的早期阶段，器官受累的发生可能比预期的要早得多，但是早期诊断和确定疾病进展的程度对医生，甚至在专家中心都构成了重大挑战，导致治疗和管理的延迟。



在人工智能中，深度学习将算法组织到可以做出自己的智能决策的层（人工神经网络）中。为了加快学习过程，新网络使用MobileNetV2（移动视觉应用程序）的参数进行了训练，该参数已在ImageNet数据集上预先训练了1.4M图像。



通过扫描图像，网络从现有图像中学习并确定哪个新图像正常或处于疾病的早期或晚期。
在一些深度学习网络中，卷积神经网络（CNN）最常用于工程，医学和生物学，但是由于可用的培训集和网络的规模，在生物医学应用中的成功受到了限制。



为了克服这些困难，Akay和其合作伙伴Yasemin Akay将UNet（一种经过改进的CNN架构）与新层相结合，并开发了一个移动培训模块。结果表明，提出的深度学习架构在SSc图像分类方面优于CNN。



经过微调后，我们的结果表明，拟议的网络在训练图像集上达到100％的准确性，在验证图像集上达到96.8％的准确性，在测试图像集上达到95.2％的准确性。




上一篇：新型算法可按毒性和数量的顺序，对垃圾填埋场中存在的毒素进行排名
下一篇：研究人员推出一种带有专用的神经网络的处理器