El Departamento de Ingeniería Biomédica de la Universidad de Houston ha informado del desarrollo de una nueva arquitectura de red neuronal profunda capaz de proporcionar un diagnóstico temprano de la esclerosis sistémica. Se trata de una enfermedad autoinmune poco común que afecta a la piel y a los órganos internos que se muestran endurecidos y fibrosos. Esta tecnología puede utilizarse mediante un ordenador portátil convencional y es capaz de identificar de forma inmediata la piel sana de la afectada por la esclerosis sistémica.
“Nuestro estudio preliminar, destinado a mostrar la eficacia de esta arquitectura de red, es prometedor en la caracterización de la esclerosis sistémica”, explica Metin Akay, profesor titular de Ingeniería Biomédica en la citada universidad. Los resultados del estudio se han publicado en IEEE Open Journal of Engineering in Medicine and Biology. “Creemos que la tecnología propuesta podría implementarse fácilmente en un entorno clínico proporcionando una herramienta de detección sencilla, económica y precisa”, añade.
Para las personas con esclerosis sistémica el diagnóstico temprano es fundamental, pero a menudo es difícil de lograr. Varios estudios han demostrado que la afectación de los órganos podría producirse mucho antes de las fases tempranas de la enfermedad. Motivo por el que el diagnóstico temprano y la determinación del grado de progresión de la enfermedad representan un desafío significativo para los médicos, incluso en los centros expertos. Problemas que se traducen en retrasos a la hora de aplicar terapias y tratamientos con el consiguiente empeoramiento de la enfermedad.
“Creemos que la tecnología propuesta podría implementarse fácilmente en un entorno clínico proporcionando una herramienta de detección sencilla, económica y precisa”
En el campo de la inteligencia artificial el aprendizaje profundo organiza algoritmos en capas (formando lo que se conoce como la red neuronal artificial) que pueden tomar sus propias decisiones de forma inteligente. Para acelerar el proceso de aprendizaje, la nueva red se entrenó mediante la utilización de parámetros de MobileNetV2, una aplicación de visión móvil que previamente había sido entrenada con el conjunto de datos de ImageNet que cuenta con más de 1,4 millones de imágenes.
“Al escanear las imágenes la red aprende de las imágenes existentes y decide qué nueva imagen es normal o se encuentra en una etapa temprana o tardía de la enfermedad”, apunta Akay. Entre las redes de aprendizaje profundo desarrolladas las redes neuronales convolucionales se emplean con mayor frecuencia en ingeniería, medicina y biología, pero su éxito en aplicaciones biomédicas ha sido limitado debido al tamaño de los conjuntos y redes de capacitación disponibles. Para solventar estos problemas el equipo de Akay ha trabajado con una arquitectura de redes neuronales convolucionales modificada, con capas adicionales, y desarrollaron un módulo de capacitación móvil. Los resultados han mostrado que la arquitectura de aprendizaje profundo propuesta es superior y mejor.
“Después del ajuste nuestros resultados mostraron que la red propuesta alcanzó el 100% de precisión en el conjunto de imágenes de entrenamiento, el 96,8% de precisión en el conjunto de imágenes de validación y el 95,3% en el conjunto de imágenes de prueba”, concluyen.