Kavya Kopparapu, en teenager der bor i Virginia, brugte en smartphone, 3D-printer og kunstig intelligens til udvikle øjnose. A bærbart diagnostisk system og billig at diagnosticere diabetisk retinopati. Denne sygdom er en komplikation af diabetes, der beskadiger blodkar på en persons nethinde og kan føre til synshandicap.
Kopparapu har været interesseret i videnskab hele sit liv, og efter at have deltaget i en programmeringsworkshop arrangeret af National Center for Women and Information Technology, har hun tilføjet programmering til sine hobbyer.
Kopparapus bedstefar, der bor i Indien, begyndte at vise symptomer af sygdommen i 2013. Det kan ofte gå ubemærket hen, og selvom det til sidst blev diagnosticeret og behandlet, hans syn blev forværret. Ifølge Kopparapu ud af i alt 415 millioner mennesker med diabetes, en tredjedel vil udvikle diabetisk retinopati, og selvom medicin og kirurgi kan stoppe eller endda vende øjenskader, hvis de fanges over tid, 50% vil ikke blive diagnosticeret, vil halvdelen af patienter med svære former blive blinde om fem år.
«Manglende diagnose er den største udfordring. I Indien er der programmer, der sender læger til landsbyer og slumkvarterer, men der er mange patienter og kun mange øjenlæger.
Han spekulerede på, om der var en nem og billig måde at diagnosticere sygdommen på, og ideen til Eyagnosis opstod, et system, der kunne gøre en lang og dyr diagnostisk procedure til en simpel fotosession. Kopparapu kom på arbejde og brugte meget tid på Google og sendte e-mail til læger og forskere, inden han formulerede en plan. Hun gik sammen med sin bror og klassekammerat og brugte et nedbrydningsnetværk (CNN) at etablere den diagnostiske AI bag Eyeagnosis. Neurale netværk analysere store datasæt og se efter lignende mønstre, Da designet ligner det menneskelige hjernes visuelle system, er CNN'er fremragende til klassificering.
Det brugte ResNet-50, et CNN udviklet af Microsoft-forskere, til at opbygge sit netværk og brugte 34.000 retinalscannere findes i database EyeGene fra National Institute of Health in America (NIH) som læringsdata, så hun og hendes team kunne lære AI-systemet at genkende sygdomstegn i fotos af øjnene og give en foreløbig diagnose. Mange af billederne i databasen var dårligt eksponerede eller slørede, men ifølge Kopparapu har denne detalje hjulpet med at forbedre systemet.
«Kvaliteten af de billeder, der bruges til at lære neuralt netværk, er meget repræsentativt for de betingelser, der ville opnås ved brug af en smartphone«
Hans hold trænet ResNet-50 til opdage diabetisk retinopati så præcist som en ægte patolog. Det registrerer også mikroaneurysmer og blodkar i hvert billede uden behov for at injicere fluorescerende farvestof i det diagnosticerede øje.
Sidste efterår Aditya Jyot Eye Hospital i Mumbai indvilligede i at teste Eyeagnosis-appen, og i november sendte den første 3D-trykte prototype til hospitalet, og systemet har allerede gjort detstillede nøjagtige diagnoser for fem patienter.
Eyeagnosis har en lang vej at gå med at diagnosticere et enormt antal tilfælde for at bevise, at det er et pålideligt system. Valideringsprocesserne, som ethvert projekt relateret til medicin skal følge, er meget strenge, og det vil helt sikkert være svært for dig at få et stort firma til at ønske at hjælpe dig. Men alle disse vanskeligheder forringer ikke denne teenagers store præstation.