Kavya Kopparapu, en tonåring bosatt i Virginia, använde en smartphone, 3D-skrivare och artificiell intelligens till utveckla ögonos. EN bärbart diagnostiskt system och billigt att diagnostisera diabetisk retinopati. Denna sjukdom är en komplikation av diabetes som skadar blodkärlen på en persons näthinna och kan leda till synskada.
Kopparapu har varit intresserad av vetenskap hela sitt liv och efter att ha gått på en programmeringsworkshop organiserad av National Center for Women and Information Technology har hon lagt till programmering i sina hobbyer.
Kopparapus farfar, som bor i Indien, började visa symtom av sjukdomen i 2013. Det kan ofta gå obemärkt förbi, och även om det så småningom diagnostiserades och behandlades, hans syn försämrades. Enligt Kopparapu, av totalt 415 miljoner människor med diabetes, en tredjedel kommer att utveckla diabetisk retinopati, och även om medicinering och kirurgi kan stoppa eller till och med vända ögonskador om de fångas över tiden, 50% kommer inte att diagnostiseraskommer hälften av patienterna med svåra former att bli blinda om fem år.
«Brist på diagnos är den största utmaningen. I Indien finns det program som skickar läkare till byar och slumområden, men det finns många patienter och bara många ögonläkare.
Han undrade om det fanns en enkelt och billigt sätt att diagnostisera sjukdomen, och idén till Eyagnosis framkom, ett system som kan göra en lång och dyr diagnostisk procedur till en enkel fotosession. Kopparapu började arbeta och spenderade mycket tid på Google och mailade läkare och forskare innan han formulerade en plan. Hon samarbetade med sin bror och klasskamrat, och använde ett fackligt neuralt nätverk (CNN) för att fastställa den diagnostiska AI bakom Eyeagnosis. Neurala nätverk analysera stora datamängder och leta efter liknande mönster, Eftersom designen liknar det mänskliga hjärnans visuella system, är CNN utmärkta för klassificering.
Han använde ResNet-50, ett CNN utvecklat av Microsoft-forskare, för att bygga sitt nätverk och använde 34.000 XNUMX näthinneskannrar finns i databas EyeGene från National Institute of Health in America (NIH) som inlärningsdata, så hon och hennes team kunde lära AI-systemet att känna igen sjukdomstecken i ögonfoton och ge en preliminär diagnos. Många av bilderna i databasen var dåligt exponerade eller suddiga, men enligt Kopparapu har denna detalj bidragit till att förbättra systemet.
«Kvaliteten på bilderna som används för att lära sig neuralnätverket är mycket representativt för de förhållanden som skulle uppnås med användning av en smartphone«
Hans team tränade ResNet-50 till upptäcka diabetisk retinopati lika exakt som en riktig patolog. Det upptäcker också mikroaneurysmer och blodkärl i varje bild utan att behöva injicera fluorescerande färgämne i det diagnostiserade ögat.
Förra hösten, Aditya Jyot Eye Sjukhuset i Mumbai gick med på att testa Eyeagnosis-appen, och i november skickade den den första 3D-tryckta prototypen till sjukhuset, och systemet har redan hgjorde korrekta diagnoser för fem patienter.
Eyeagnosis har en lång väg att gå för att diagnostisera ett enormt antal fall för att bevisa att det är ett tillförlitligt system. Valideringsprocesserna som alla projekt relaterade till medicin måste följa är mycket stränga och det kommer säkert att vara svårt för dig att få ett stort företag som vill hjälpa dig. Men alla dessa svårigheter påverkar inte tonåringens stora prestation.