Độ chính xác trong chẩn đoán là 100%.
Đây là một bệnh tự miễn hiếm gặp, với đặc trưng lâm sàng bởi tình trạng dày và cứng da, liên quan đến các cơ quan nội tạng. Hệ thống mới được thực hiện bằng máy tính xách tay tiêu chuẩn (Intel Core i7 2,5 GHz), có thể ngay lập tức phân biệt giữa hình ảnh của da khỏe mạnh và da xơ cứng.
Ông Metin Akay - Giáo sư kỹ thuật y sinh, cho biết: “Nghiên cứu sơ bộ của chúng tôi nhằm chỉ ra hiệu quả của kiến trúc mạng được đề xuất, hứa hẹn trong việc mô tả đặc tính của SSc”.
Giáo sư Akay đồng thời bày tỏ niềm tin rằng, hệ thống mạng mới này có thể dễ dàng được triển khai trong môi trường lâm sàng. Từ đó, cung cấp một công cụ sàng lọc đơn giản, giá rẻ và chính xác cho SSc.
Đối với bệnh nhân SSc, việc chẩn đoán sớm là vô cùng quan trọng. Song, quá trình chẩn đoán thường khó khăn. Một số nghiên cứu đã chỉ ra rằng, sự ảnh hưởng tới các cơ quan có thể xảy ra sớm hơn nhiều so với dự kiến trong giai đoạn đầu của bệnh. Tuy nhiên, việc chẩn đoán sớm và xác định mức độ tiến triển của bệnh đặt ra thách thức đáng kể cho các bác sĩ, dẫn đến sự chậm trễ trong điều trị.
Trong trí tuệ nhân tạo, học sâu sắp xếp thuật toán thành các lớp (mạng nơ-ron nhân tạo) và có thể đưa ra quyết định thông minh. Để tăng tốc quá trình học tập, hệ thống mạng mới được đào tạo bằng cách sử dụng tham số của ứng dụng di động MobileNetV2.
Giáo sư Akay cho biết: “Bằng cách quét các hình ảnh, mạng lưới sẽ học hỏi từ hình ảnh hiện có. Sau đó, hệ thống sẽ quyết định hình ảnh mới nào là bình thường hoặc đang ở giai đoạn đầu hay giai đoạn cuối của bệnh”.
Đối với một số mạng học sâu, Mạng thần kinh tích chập (CNN) được sử dụng phổ biến nhất trong kỹ thuật, y học và sinh học. Tuy nhiên, thành công của CNN trong các ứng dụng y sinh còn hạn chế, do quy mô của nhóm và mạng đào tạo có sẵn.
Để khắc phục những khó khăn này, Akay và đối tác Yasemin Akay đã kết hợp UNet, một kiến trúc CNN đã sửa đổi, với các lớp bổ sung. Họ đã phát triển một mô-đun đào tạo di động. Kết quả cho thấy, kiến trúc học sâu được đề xuất vượt trội và tốt hơn so với CNN trong việc phân loại hình ảnh SSc.
“Sau khi tinh chỉnh, kết quả của chúng tôi cho thấy, mạng được đề xuất đạt độ chính xác 100% trên bộ hình ảnh đào tạo, 96,8% trên ảnh hợp lệ và 95,2% trên bộ ảnh thử nghiệm”, Yasemin Akay - Phó Giáo sư hướng dẫn của Trường Đại học Houston về y sinh học, chia sẻ.
