dépister-la-sclérose-systémique-avec-un-ordinateur
Le président fondateur du département de génie biomédical de l’université de Houston fait état d’une nouvelle architecture de réseau neuronal profond, qui permet un diagnostic précoce de la sclérose systémique (SSc), une maladie auto-immune rare marquée par une peau et des organes internes durcis ou fibreux.

Un réseau neuronal profond

Le réseau proposé, mis en œuvre à l’aide d’un ordinateur portable standard, peut immédiatement faire la différence entre des images de peau saine et de peau atteinte de sclérose systémique.
« Notre étude préliminaire, destinée à montrer l’efficacité de l’architecture de réseau proposé, est prometteuse pour la caractérisation de la sclérose systémique », rapporte Metin Akay. « Nous pensons que l’architecture de réseau proposée pourrait facilement être mise en œuvre dans un cadre clinique, fournissant ainsi un outil de dépistage simple, peu coûteux et précis de la ScS. »
Pour les patients atteints de ScS, un diagnostic précoce est essentiel, mais souvent long. Plusieurs études ont montré que l’atteinte des organes pouvait survenir bien plus tôt que prévu dans la phase initiale de cette maladie, mais le diagnostic précoce et la détermination de l’étendue de la progression de cette maladie posent un défi important aux médecins, même dans les centres experts, ce qui entraîne des retards dans la thérapie et la prise en charge.

Son apprentissage a été alimenté avec 1,4M d’images

En intelligence artificielle, l’apprentissage profond organise les algorithmes en couches (le réseau neuronal artificiel) qui peuvent prendre leurs propres décisions intelligentes. Pour accélérer le processus d’apprentissage, ce nouveau réseau a été entraîné en utilisant les paramètres de MobileNetV2, une application de vision mobile, pré-entraînée sur le jeu de données ImageNet avec 1,4M d’images.
« En balayant ces images, ce réseau apprend à partir des images existantes et décide quelle nouvelle image est normale, est à un stade précoce ou avancé de cette maladie », a déclaré Akay. Parmi plusieurs réseaux d’apprentissage profond, les réseaux neuronaux convolutionnels (CNN) sont les plus couramment utilisés en ingénierie, en médecine et en biologie, mais leur succès dans les applications biomédicales a été limité en raison de la taille des ensembles d’apprentissage et des réseaux disponibles.
Pour surmonter ces difficultés, Akay et sa partenaire Yasemin Akay ont combiné l’UNet, une architecture CNN modifiée, avec des couches ajoutées, et ils ont développé un module de formation mobile. Les résultats ont montré que l’architecture d’apprentissage profond proposée est supérieure et meilleure que les CNN pour la classification des images de SSc.

De très bons résultats

« Après un réglage fin, nos résultats ont montré que ce réseau proposé a atteint une précision de 100 % sur l’ensemble des images d’entraînement, une précision de 96,8 % sur l’ensemble des images de validation et une précision de 95,2 % sur l’ensemble des images d’essai », a déclaré Yasmin Akay, professeur agrégé d’enseignement en génie biomédical à l’Université d’Ottawa. Le temps de formation a été inférieur à cinq heures.
Cette recherche a été publiée dans IEEE Open Journal of Engineering in Medicine and Biology.
Source : University of Houston
Crédit photo : StockPhotoSecrets