این بار هوش مصنوعی به کمک بیماران پوستی آمد

پژوهشگران دانشگاه Houston یک الگوریتم یادگیری عمیق برای تشخیص systemic sclerosis نوشتند که تنها با پنج ساعت آموزش می‌تواند با دقت ۹۵.۲ درصد با تحلیل تصاویر بیماران، بیماری و شدت آن را تشخیص دهد. این الگوریتم روی یک رایانه رومیزی قابل اجرا است. برای آشنایی با جزئیات این پژوهش با مجله فناوری‌های توان افزا و پوشیدنی همراه باشید.

دانشکده مهندسی پزشکی دانشگاه Houston یک شبکه یادگیری عمیق برای تشخیص systemic sclerosis توسعه داده است. این بیماری نادر سبب سخت شدن پوست و اندام داخلی بدن می‌شود. شبکه این الگوریتم یادگیری عمیق با یک رایانه رومیزی معمولی شبیه سازی شده است( ۲٫۵ GHz Intel Core i۷) و می‌تواند به صورت آنی تصاویر پوست سالم را از پوست درگیر بیماری تمیز دهد.

این پژوهش در مجله IEEE Open Journal of Engineering in Medicine and Biology به چاپ رسیده است. به گزارش Metin Akay صاحب کرسی مهندسی پزشکی این روش برای دستیابی به کارایی بالا پیشنهاد شده است. به عقیده وی این شبکه یادگیری عمیق معماری خاصی دارد که برای کلینیک‌ها قابل استفاده است. در این صورت روشی ساده، ارزان و دقیق با قابلیت فیلتر سازی بالا در اختیار کلینیک‌ها قرار می‌گیرد.

تشخیص زود هنگام بیماری برای بیماران مبتلا به SSc ضروری است. پژوهش‌های بسیاری که درگیری اعضای بدن با این بیماری در فازهای نخستین بیماری و زودتر از حد انتظار رخ می‌دهد. تشخیص زودهنگام بیماری و تعیین دقیق میزان پیشرفت آن برای درمان‌گران و متخصصان چالشی واقعی است. کوتاهی در این مورد می‌تواند مدیریت درمان را با مشکلات جدی روبه‌رو سازد.

نحوه عملکرد الگوریتم یادگیری عمیق Houston

در حوزه هوش مصنوعی یادگیری عمیق الگوریتم را به لایه‌هایی بخش‌بندی می‌کند. هر بخش می‌تواند تصمیم خاص خود را اتخاذ کند. برای تسریع فرآیند یادگیری شبکه جدیدی با استفاده از پارامترهای MobileNetV۲ آموزش داده شد. MobileNetV۲ یک اپلیکیشن دید رایانه‌ای است که با ۱.۴ میلیون تصویر روی داده‌های ImageNet آموزش داده شده است.

به گفته Akay «با اسکن کردن تصاویر، شبکه از تصاویر موجود آموزش می‌گیرد و تصمیم می‌گیرد که کدام تصویر عادی یا در مراحل ابتدایی یا وخیم بیماری است.»

اهمیت شبکه یادگیری عمیق Houston

از میان انواع شبکه‌های یادگیری عمیق، Convolutional Neural Networks یا CNNها متداول‌ترین شبکه‌ها در علوم پزشکی، مهندسی و زیست شناسی هستند. اما موفقیت CNNها در مهندسی پزشکی به دلیل اندازه داده‌های دسترس برای آموزش ماشین و شبکه زیاد نبوده است.

Akay و همکارش Yasemin Akay برای غلبه بر این مشکلات از یک شبکه ارتقا یافته استفاده کردند. آنان یک شبکه UNet را به عنوان یک شبکه CNN با معماری بهبود یافته انتخاب کردند. سپس آن را با لایه‌های اضافی ارتقا دادند و یک سامانه تلفن همراه برای یادگیری توسعه دادند. نتایج حاکی از آن بود برای تشخیص SSc که شبکه یادگیری عمیق پیشنهادی از CNN کارکرد بهتری دارد.

به گفته دانشیار مهندسی پزشکی UH «پس از تنظیم شبکه نتایج بازده ۱۰۰ درصدی روی تصاویر مورد استفاده برای آموزش را نشان داد. ۹۶.۸ درصد دقت روی تصاویر مورد استفاده برای چک کردن الگوریتم و ۹۵.۲ درصد روی داده‌های آزمایشی.» آموزش این الگوریتم تنها پنج ساعت زمان برده است.