Kavya Kopparapu, een tiener woonachtig in Virginia, gebruikte een smartphone, 3D-printer en kunstmatige intelligentie om oogeagnose ontwikkelen. Een draagbaar diagnosesysteem en goedkoop om te diagnosticeren diabetische retinopathie. Deze ziekte is een complicatie van diabetes beschadigt bloedvaten op het netvlies van een persoon en kan leiden tot visusstoornissen.
Kopparapu, is haar hele leven geïnteresseerd in wetenschap en na het bijwonen van een programmeerworkshop georganiseerd door het National Center for Women and Information Technology, heeft ze programmeren toegevoegd aan haar hobby's.
Kopparapu's grootvader, die in India woont, begon symptomen te vertonen van de ziekte in 2013. Het kan vaak onopgemerkt blijven, en hoewel het uiteindelijk werd gediagnosticeerd en behandeld, zijn zicht verslechterde. Volgens Kopparapu, op een totaal van 415 miljoen mensen met diabetes, een derde zal diabetische retinopathie ontwikkelen, en hoewel medicatie en chirurgie oogbeschadiging kunnen stoppen of zelfs omkeren als ze na verloop van tijd worden opgemerkt, is de 50% wordt niet gediagnosticeerdzal de helft van de patiënten met ernstige vormen binnen vijf jaar blind worden.
«Gebrek aan diagnose is de grootste uitdaging. In India zijn er programma's die artsen naar dorpen en sloppenwijken sturen, maar er zijn veel patiënten en alleen veel oogartsen.
Hij vroeg zich af of er een was gemakkelijke en goedkope manier om de ziekte te diagnosticeren, en het idee voor Eyagnosis ontstond, een systeem dat een langdurige en dure diagnostische procedure in een simpele fotosessie zou kunnen veranderen. Kopparapu ging aan het werk, bracht veel tijd door op Google en stuurde een e-mail naar artsen en onderzoekers voordat hij een plan opstelde. Ze werkte samen met haar broer en klasgenoot, en gebruikte een convolutioneel neuraal netwerk (CNN) om de diagnostische AI achter Eyeagnosis vast te stellen. Neurale netwerken analyseer grote datasets en zoek naar vergelijkbare patronen, Omdat het ontwerp lijkt op het visuele systeem van het menselijk brein, zijn CNN's uitstekend geschikt voor classificatie.
Het gebruikte ResNet-50, een CNN ontwikkeld door Microsoft-onderzoekers, om zijn netwerk op te bouwen en gebruikte het 34.000 retinale scanners gevonden in de databank OogGene van het National Institute of Health in America (NIH) als leergegevens, zodat zij en haar team het AI-systeem konden leren om de tekenen van ziekte op foto's van de ogen te herkennen en een voorlopige diagnose te stellen. Veel van de afbeeldingen in de database waren slecht belicht of wazig, maar volgens Kopparapu heeft dit detail het systeem helpen verbeteren.
«De kwaliteit van de afbeeldingen die worden gebruikt om het neurale netwerk te leren, is zeer representatief voor de omstandigheden die zouden worden verkregen met het gebruik van een smartphone«
Zijn team trainde ResNet-50 tot detecteer diabetische retinopathie net zo nauwkeurig als een echte patholoog. Het detecteert ook microaneurysma's en bloedvaten in elk beeld zonder de noodzaak om fluorescerende kleurstof in het gediagnosticeerde oog te injecteren.
Afgelopen herfst, de Aditya Jyot Eye Het ziekenhuis in Mumbai stemde ermee in om de Eyeagnosis-app te testen, en in november stuurde het het eerste 3D-geprinte prototype naar het ziekenhuis, en het systeem heeft al hnauwkeurige diagnoses gesteld voor vijf patiënten.
Eyeagnosis heeft nog een lange weg te gaan bij het diagnosticeren van een enorm aantal gevallen om te bewijzen dat het een betrouwbaar systeem is. De validatieprocessen die elk project met betrekking tot de geneeskunde moet volgen, zijn zeer rigoureus en het zal voor u zeker moeilijk zijn om een groot bedrijf ertoe te brengen u te helpen. Maar al deze moeilijkheden doen niets af aan de geweldige prestatie van deze tiener.