کاویا کوپاراپو ، نوجوانی ساکن ویرجینیا ، از تلفن هوشمند ، چاپگر سه بعدی و هوش مصنوعی استفاده کرد ایجاد چشم. سیستم تشخیصی قابل حمل و برای تشخیص ارزان است رتینوپاتی دیابتی. این بیماری از عوارض دیابت است به رگهای خونی آسیب می رساند بر روی شبکیه چشم فرد ایجاد شده و می تواند منجر به اختلال بینایی شود.
کوپاراپو از تمام زندگی خود به علم علاقه مند بوده و پس از شرکت در کارگاه برنامه نویسی که توسط مرکز ملی زنان و فناوری اطلاعات سازمان یافته بود ، برنامه نویسی را به سرگرمی های خود اضافه کرده است.
پدربزرگ کوپاراپو، که در هند زندگی می کند ، شروع به نشان دادن علائم کرد از بیماری در 2013. اغلب ممکن است مورد توجه قرار نگیرد ، و اگرچه در نهایت تشخیص داده شد و درمان شد ، بینایی او خراب شد. به گفته کوپاراپو ، از مجموع 415 میلیون نفر مبتلا به دیابت, یک سوم به رتینوپاتی دیابتی مبتلا می شود، و اگرچه دارو و جراحی در صورت گرفتار شدن می تواند آسیب چشم را متوقف یا حتی معکوس کند ، 50٪ تشخیص داده نمی شود، نیمی از بیماران با اشکال شدید طی پنج سال نابینا می شوند.
«عدم تشخیص بزرگترین چالش است. در هند ، برنامه هایی وجود دارد که پزشکان را به روستاها و محله های فقیرنشین اعزام می کند ، اما بیماران زیادی وجود دارد و فقط چشم پزشکان زیادی دارند.
او تعجب کرد که آیا وجود دارد راهی آسان و ارزان برای تشخیص بیماری، و ایده Eyagnosis پدید آمد ، سیستمی که می تواند یک روش تشخیصی طولانی و گران را به یک جلسه عکس ساده تبدیل کند. کوپپاراپو قبل از تهیه برنامه ، کار زیادی را سپری کرد و وقت زیادی را در Google سپری کرد و از طریق ایمیل با پزشکان و محققان تماس گرفت. او با برادر و همکلاسی اش همکاری کرد ، و از یک شبکه عصبی کانولوشن (CNN) استفاده کرد برای ایجاد AI تشخیصی پشت Eyeagnosis. شبکه های عصبی تجزیه و تحلیل مجموعه داده های بزرگ و به دنبال الگوهای مشابه ، از آنجا که این طرح شبیه سیستم بینایی مغز انسان است ، CNN ها برای طبقه بندی عالی هستند.
وی برای ساخت شبکه خود از ResNet-50 ، CNN ساخته شده توسط محققان مایکروسافت استفاده کرد و از آن استفاده کرد 34.000 اسکنر شبکیه یافت شده در پایگاه داده EyeGene از موسسه ملی بهداشت در آمریکا (NIH) به عنوان داده های یادگیری، بنابراین او و تیمش می توانند به سیستم هوش مصنوعی آموزش دهند تا علائم بیماری را در عکس های چشم تشخیص داده و تشخیص اولیه دهد. بسیاری از تصاویر موجود در پایگاه داده در معرض ضعف و تاری قرار گرفتند ، اما طبق گفته کوپاراپو ، این جزئیات به بهبود سیستم کمک کرده است.
«کیفیت تصاویر استفاده شده در یادگیری شبکه عصبی کاملاً نمایانگر شرایطی است که با استفاده از تلفن هوشمند بدست می آید«
تیم وی ResNet-50 را آموزش داد تا رتینوپاتی دیابتی را به دقت یک آسیب شناس واقعی تشخیص دهید. همچنین میکروانوریسم و رگهای خونی در هر تصویر را بدون نیاز به تزریق رنگ فلورسنت به چشم تشخیص داده شده ، تشخیص می دهد.
پاییز گذشته ، Aditya Jyot Eye بیمارستان در بمبئی با آزمایش برنامه Eyeagnosis موافقت کرد، و در ماه نوامبر ، اولین نمونه اولیه چاپ شده سه بعدی را به بیمارستان فرستاد و این سیستم قبلاً hبرای پنج بیمار تشخیص دقیق داد.
Eyeagnosis یک راه طولانی برای تشخیص تعداد بسیار زیادی از موارد دارد تا ثابت کند که یک سیستم قابل اعتماد است. فرایندهای تأیید اعتبار که هر پروژه مرتبط با پزشکی باید دنبال کند بسیار دقیق است و مطمئناً سخت است که یک شرکت بزرگ بخواهد به شما کمک کند. اما همه این مشکلات چیزی از دستاورد بزرگ این نوجوان کم نمی کند.
اولین کسی باشید که نظر