Kavya Kopparapu, en tenåring bosatt i Virginia, brukte en smarttelefon, 3D-skriver og kunstig intelligens til utvikle øyeagnose. en bærbart diagnosesystem og billig å diagnostisere Diabetisk retinopati. Denne sykdommen er en komplikasjon av diabetes som skader blodkar på en persons netthinne og kan føre til synshemming.
Kopparapu, har vært interessert i vitenskap hele livet og etter å ha deltatt på et programmeringsverksted organisert av National Center for Women and Information Technology, har hun lagt programmering til hobbyene sine.
Kopparapus bestefar, som bor i India, begynte å vise symptomer av sykdommen i 2013. Det kan ofte gå ubemerket, og selv om det til slutt ble diagnostisert og behandlet, hans syn forverret seg. Ifølge Kopparapu, av totalt 415 millioner mennesker med diabetes, en tredjedel vil utvikle diabetisk retinopati, og selv om medisinering og kirurgi kan stoppe eller til og med reversere øyeskade hvis de blir fanget over tid, er det 50% vil ikke bli diagnostisert, vil halvparten av pasienter med alvorlige former bli blind om fem år.
- Mangel på diagnose er den største utfordringen. I India er det programmer som sender leger til landsbyer og slumområder, men det er mange pasienter og bare mange øyeleger.
Han lurte på om det var en enkel og billig måte å diagnostisere sykdommen på, og ideen til Eyagnosis dukket opp, et system som kan gjøre en lang og kostbar diagnostisk prosedyre til en enkel fotosession. Kopparapu begynte å jobbe og brukte mye tid på Google og sendte e-post til leger og forskere før han formulerte en plan. Hun gikk sammen med broren og klassekameraten, og brukte et konvolusjonalt nevrale nettverk (CNN) for å etablere den diagnostiske AI bak Eyeagnosis. Nevrale nettverk analysere store datasett og se etter lignende mønstre, Siden designet ligner det menneskelige hjernens visuelle system, er CNNs utmerket for klassifisering.
Den brukte ResNet-50, en CNN utviklet av Microsoft-forskere, for å bygge nettverket sitt, og brukte 34.000 netthinneskannere funnet i database EyeGene fra National Institute of Health in America (NIH) som læringsdata, så hun og teamet hennes kunne lære AI-systemet å gjenkjenne tegn på sykdom i øynene og gi en foreløpig diagnose. Mange av bildene i databasen var dårlig eksponert eller uskarpe, men ifølge Kopparapu har denne detaljene bidratt til å forbedre systemet.
«Kvaliteten på bildene som brukes til å lære nevrale nettverk er veldig representativt for forholdene som ville oppnås ved bruk av en smarttelefon«
Teamet hans trente ResNet-50 til oppdage diabetisk retinopati så nøyaktig som en ekte patolog. Det oppdager også mikroaneurysmer og blodkar i hvert bilde uten behov for å injisere fluorescerende fargestoff i det diagnostiserte øyet.
I fjor høst, Aditya Jyot Eye Sykehuset i Mumbai gikk med på å teste Eyeagnosis-appen, og i november sendte den den første 3D-trykte prototypen til sykehuset, og systemet har allerede hlaget nøyaktige diagnoser for fem pasienter.
Eyeagnosis har en lang vei å gå for å diagnostisere et enormt antall tilfeller for å bevise at det er et pålitelig system. Valideringsprosessene som hvert prosjekt relatert til medisin må følge er veldig strenge, og det vil helt sikkert være vanskelig for deg å få et stort selskap til å ønske å hjelpe deg. Men alle disse vanskelighetene forringer ikke den store prestasjonen til denne tenåringen.