به گزارش پايگاه خبري و تحليلي ايران زمين، بنیان‌گذار گروه مهندسی زیست پزشکی دانشگاه هوستون، امریکا، از معماری جدید شبکه عصبی عمقی برای استفاده در یک لپ‌تاپ استاندارد، خبر می­‌دهد که این لپ‌تاپ 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 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 ادامه داد:(( 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.

وی 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.))