En inteligencia artificial, el aprendizaje profundo organiza algoritmos en capas (red neuronal artificial) que pueden tomar sus propias decisiones inteligentes: la versión UH se ejecuta en una computadora portátil estándar. Fuente: Universidad de Houston
Fundador del Departamento de Ingeniería Biomédica de la Universidad de Houston, anuncia una nueva arquitectura de red neuronal profunda que permite el diagnóstico temprano de la esclerodermia sistémica (SSc), una enfermedad autoinmune rara caracterizada por piel y órganos internos endurecidos o fibrosos. La red propuesta, implementada utilizando una computadora portátil estándar (Intel Core i7 de 2.5 GHz), le permite distinguir inmediatamente entre las imágenes de piel sana y piel con esclerosis sistémica.
“Nuestro estudio preliminar para demostrar la eficacia de la propuesta la red arquitecturapromete características de SSc ”, informa Metin Akay, catedrático de John S. Dunn, profesor de ingeniería biomédica. El trabajo fue publicado en IEEE Open Journal of Engineering in Medicine and Biology.
“Creemos que la arquitectura de red propuesta se puede implementar fácilmente en un entorno clínico, proporcionando una herramienta de detección de SSc sencilla, económica y precisa”.
Para pacientes con SSc, diagnostico temprano es crítico pero a menudo esquivo. Varios estudios han demostrado que la afectación de órganos puede ocurrir mucho antes de lo esperado en las primeras etapas de la enfermedad, pero el diagnóstico temprano y la gravedad de la enfermedad representan un serio desafío para los médicos, incluso en centros expertos, lo que provoca retrasos en la terapia y el tratamiento.
EN inteligencia artificial, aprendizaje profundo organiza algoritmos en capas (red neuronal artificial) que pueden tomar sus propias decisiones inteligentes. Para acelerar proceso de aprendizajela nueva red se entrenó utilizando los parámetros de MobileNetV2, una aplicación de visión móvil preentrenada en un conjunto de datos ImageNet con 1,4 millones de imágenes.
“Al escanear imágenes, la red aprende de las imágenes existentes y decide qué nueva imagen es normal o la etapa temprana o tardía de la enfermedad”, dijo Akay.
De las pocas redes de aprendizaje profundo, las redes neuronales convolucionales (CNN) se utilizan con mayor frecuencia en ingeniería, medicina y biología, pero su éxito en aplicaciones biomédicas ha sido limitado debido al tamaño de los kits de formación y las redes disponibles.
Para superar estas dificultades, Akay y su socio Yasemin Akay combinaron UNet, la arquitectura modificada de CNN, con capas adicionales y desarrollaron un módulo de capacitación móvil. Los resultados mostraron que la arquitectura de aprendizaje profundo propuesta es cada vez mejor que la CNN en términos de clasificación de imágenes SSc.
“Después del ajuste fino, nuestros resultados mostraron que la red propuesta logró un 100% de precisión en el conjunto de imágenes de entrenamiento, un 96,8% de precisión en el conjunto de imágenes de validación y un 95,2% de precisión en el conjunto de imágenes de prueba”, dijo Yasmin Akay, profesora de biomedicina en OH. Ingenieria.
El tiempo de entrenamiento fue de menos de cinco horas.
M. Akay et al., “Clasificación de aprendizaje profundo de la piel con esclerosis sistémica utilizando el modelo MobileNetV2”, en IEEE Open Journal of Engineering in Medicine and Biology, DOI: 10.1109 / OJEMB.2021.3066097.
Entregado por
Universidad de Houston