تشخیص بیماری خودایمنی با یک لپ‌تاپ

"متین آکای"(Metin Akay)، استاد مهندسی پزشکی دانشگاه هیوستون و از پژوهشگران این پروژه گفت: پژوهش‌ مقدماتی ما، اثربخشی این شبکه عصبی رایانه‌ای را در تشخیص اسکلروز سیستمیک نشان می‌دهد. ما باور داریم که روزی می‌توان این شبکه عصبی را در تنظیمات بالینی به کار گرفت و یک ابزار ساده، کم‌هزینه و دقیق برای تشخیص اسکلروز سیستمیک فراهم کرد.

تشخیص به موقع برای بیماران مبتلا به اسکلروز سیستمیک بسیار مهم است اما امکان دست یافتن به آن اغلب وجود ندارد. چندین پژوهش نشان داده‌اند که درگیری اعضای بدن طی این بیماری می‌تواند بسیار زودتر از حد انتظار رخ دهد اما تشخیص به موقع و تعیین میزان پیشرفت بیماری، چالش قابل توجهی برای پزشکان به شمار می‌رود.
در هوش مصنوعی، یادگیری عمیق، الگوریتم‌ها را در لایه‌هایی سازمان می‌دهد تا بتواند تصمیم هوشمندانه خود را بگیرد. این شبکه جدید برای سرعت بخشیدن به یادگیری، با استفاده از پارامترهای یک اپلیکیشن تلفن همراه موسوم به "MobileNetV2" آموزش داده شد.

آکای ادامه داد: این شبکه با اسکن تصاویر آموزش می‌بیند و تصمیم می‌گیرد که کدام یک از تصاویر جدید، طبیعی و کدام یک مربوط به مرحله اول یا آخر بیماری است.در میان چندین شبکه یادگیری عمیق، "شبکه‌های عصبی پیچشی"(CNNs)، بیشترین کاربرد را در مهندسی، پزشکی و زیست‌شناسی دارند اما موفقیت آنها در کاربردهای پزشکی محدود است.آکای و گروهش برای حل کردن این مشکلات، از "UNet" استفاده کردند که یک ساختار اصلاح شده شبکه عصبی پیچشی با لایه‌های اضافه است. نتایج این پژوهش نشان داد که ساختار یادگیری عمیق پیشنهادی، در طبقه‌بندی تصاویر اسکلروز سیستمیک، بهتر از شبکه‌های عصبی پیچشی عمل می‌کند."یاسمین آکای"(Yasmin Akay)، از پژوهشگران این پروژه گفت: نتایج به دست آمده نشان داد که این شبکه عصبی در آموزش تصاویر، ۱۰۰ درصد و در اعتبارسنجی ۹۵/۲ درصد دقیق عمل می‌کند.