在人工智能中，深度学习将算法组织成各层(人工神经网络)，这些层可以做出自己的智能决策-UH版本在标准笔记本电脑上工作。学分:休斯顿大学休斯顿大学生物医学工程系的第四任主席报告了一种新的深度神经网络架构，它为系统性硬化症(SSc)提供了早期诊断，这是一种罕见的自身免疫性疾病，其特征是皮肤和内脏变硬或纤维化。使用标准笔记本电脑(2.5千兆赫英特尔酷睿i7)实现的拟议网络可以立即区分健康皮肤和系统性硬化症皮肤的图像。“我们的初步研究旨在展示提议的网络架构的有效性，在SSc的表征方面有希望，”生物医学工程约翰·邓恩捐赠讲座教授梅廷·阿凯报道。这项工作发表在IEEE医学和生物学开放工程杂志上。
“我们相信，提议的网络架构可以很容易地在临床环境中实施，为SSc提供一个简单、廉价和准确的筛查工具。”
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，器官受累可能比预期的要早得多，但早期诊断和确定疾病进展的程度对医生来说是一个巨大的挑战，即使是在专家中心，这也会导致治疗和管理的延误。
在人工智能中，深度学习将算法组织成能够做出自己智能决策的层(人工神经网络)。为了加快学习过程，使用移动视觉应用MobileNetV2的参数对新网络进行了训练，该应用在具有1.4M图像的ImageNet数据集上进行了预训练。
“通过扫描图像，网络从现有的图像中学习，并决定哪个新图像是正常的，或者处于疾病的早期或晚期，”Akay说。
在几种深度学习网络中，卷积神经网络最常用于工程、医学和生物学，但由于可用训练集和网络的规模，它们在生物医学应用中的成功受到限制。
为了克服这些困难，Akay和合作伙伴Yasemin Akay将修改后的CNN架构UNet与附加层相结合，他们开发了一个移动培训模块。实验结果表明，所提出的深度学习体系结构在SSc图像分类方面优于CNNs。
UH生物医学工程教学副教授Yasmin Akay表示:“经过微调，我们的结果显示，提出的网络在训练图像集上达到100%的准确率，在验证图像集上达到96.8%的准确率，在测试图像集上达到95.2%。
训练时间不到五个小时。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
