Kavya Kopparapu, pusaudzis dzīvo Virdžīnijā, izmantoja viedtālruni, 3D printeri un mākslīgo intelektu attīstīt acu diagnostiku. pārnēsājama diagnostikas sistēma un lēti diagnosticēt diabētiskā retinopātija. Šī slimība ir diabēta komplikācija, kas bojā asinsvadus cilvēka tīklenē un var izraisīt redzes traucējumus.
Koparapu visu mūžu ir interesējusies par zinātni un, apmeklējusi Nacionālā sieviešu un informācijas tehnoloģiju centra organizēto programmēšanas darbnīcu, viņa hobijiem pievienojusi programmēšanu.
Kopparapu vectēvs, kas dzīvo Indijā, sāka parādīties simptomi gada slimības 2013. Bieži to var nepamanīt, un, lai arī galu galā tas tika diagnosticēts un ārstēts, viņa redze pasliktinājās. Pēc Kopparapu teiktā, no visiem 415 miljoni cilvēku ar cukura diabētu, vienai trešdaļai attīstīsies diabētiskā retinopātijaun, lai arī medikamenti un ķirurģija var apturēt vai pat novērst acu bojājumus, ja laika gaitā tie tiek noķerti, 50% netiks diagnosticēti, puse pacientu ar smagām formām pēc pieciem gadiem paliks akli.
«Diagnozes trūkums ir lielākais izaicinājums. Indijā ir programmas, kas sūta ārstus uz ciematiem un graustiem, taču ir daudz pacientu un tikai daudz oftalmologu.
Viņš domāja, vai pastāv vienkāršs un lēts slimības diagnosticēšanas veids, un radās ideja par Eagnagozi - sistēmu, kas varētu pārvērst ilgstošu un dārgu diagnostikas procedūru par vienkāršu fotosesiju. Kopparapu sāka strādāt, daudz laika pavadot Google tīklā un nosūtot e-pastu ārstiem un pētniekiem, pirms formulēja plānu. Viņa apvienojās ar savu brāli un klasesbiedru un izmantoja konvolucionālo neironu tīklu (CNN) lai izveidotu diagnostisko AI aiz Eyeagnosis. Neironu tīkli analizēt lielas datu kopas un meklēt līdzīgus modeļus, Tā kā dizains atgādina cilvēka smadzeņu vizuālo sistēmu, CNN ir lieliski piemēroti klasifikācijai.
Lai izveidotu savu tīklu, viņš izmantoja Microsoft pētnieku izstrādāto CNN ResNet-50 un izmantoja 34.000 XNUMX tīklenes skeneri atrasts datubāze EyeGene no Amerikas Nacionālā veselības institūta (NIH) kā mācību dati, tāpēc viņa un viņas komanda varētu iemācīt AI sistēmai atpazīt slimības pazīmes acu fotoattēlos un noteikt provizorisku diagnozi. Daudzi no datu bāzes attēliem bija slikti eksponēti vai neskaidri, taču, pēc Kopparapu domām, šī detaļa ir palīdzējusi uzlabot sistēmu.
«Neironu tīkla apguvē izmantoto attēlu kvalitāte ir ļoti raksturīga apstākļiem, kas tiktu iegūti, izmantojot viedtālruni.
Viņa komanda apmācīja ResNet-50 atklāt diabētisko retinopātiju tikpat precīzi kā īsts patologs. Katrā attēlā tas arī atklāj mikroaneirismus un asinsvadus bez nepieciešamības injicēt fluorescējošas krāsas diagnosticētajā acī.
Pagājušajā rudenī Aditya Jyot Eye Mumbajas slimnīca piekrita pārbaudīt Eyeagnosis lietotni, un novembrī tas nosūtīja pirmo 3D drukāto prototipu uz slimnīcu, un sistēma jau ir hnoteica precīzas diagnozes pieciem pacientiem.
Acu diagnozei ir jāveic garš ceļš, lai diagnosticētu ārkārtīgi daudz gadījumu, lai pierādītu, ka tā ir uzticama sistēma. Apstiprināšanas procesi, kas jāievēro jebkuram projektam, kas saistīts ar medicīnu, ir ļoti stingri, un jums noteikti būs grūti panākt, lai liels uzņēmums vēlas jums palīdzēt. Bet visas šīs grūtības nemazina šī pusaudža lieliskos sasniegumus.