SkinScreen

برنامه SkinScreen توانایی های انسانی را در شناسایی و طبقه بندی ضایعات پوستی / سرطان پوست در اهداف مراقبت های بهداشتی مبتنی بر ارزش گسترش می دهد. SkinScreen توانایی تشخیص ضایعات بدخیم و خوش خیم پوستی را در زمان واقعی از طریق یک محلول بسیار دقیق و دقیق ارائه می دهد. این راه حل از قدرت یادگیری عمیق استفاده می کند ، روشی تحت هوش مصنوعی (AI) ، برای امکان پیش بینی سریعتر و دقیق تر از آنچه در گذشته وجود داشت. از طریق اصطلاحی که مارک تجاری آن نامیده می شود ، به نام مدل توصیف ناپذیر ، این یک مدل هوش مصنوعی است که در ابتدا دارای ابر پارامترها است ، اما مدل به طور مداوم خود را برای یافتن بهترین تناسب با مجموعه داده بدون نیاز به مداخله انسانی در آینده آموزش می دهد. در حال حاضر ، تشخیص توسط یک متخصص پوست یا تکنسین از طریق رویکرد ابتکاری شناخته شده به نام ABCDE (عدم تقارن ، بی نظمی حاشیه ، رنگ ، قطر ، تکامل) به صورت دستی انجام می شود.

SkinScreen چندین تفاوت نسبت به سایر راه حل های موجود در بازار ارائه می دهد:

1. از حریم خصوصی کاربر اطمینان حاصل کنید - با بهره گیری از آخرین معماری MobileNetV2 ، مدل هوش مصنوعی قادر است بر روی دستگاه کاربر اجرا شود و بر خلاف راه حل های دیگر نیازی به بارگذاری هیچ تصویری در سرورهای SkinScreen نیست.

2. وجود ضایعه پوستی را تشخیص دهید - بسیاری از محلول های تشخیص پوست AI تشخیص نمی دهند که در ابتدا ضایعه پوستی در تصویر وجود دارد یا خیر. آنها برای ارائه تصویر ضایعه پوستی به مداخله دستی کاربر انسان اعتماد می کنند. به عنوان مثال ، اگر کاربر تصویری از زرافه ارائه دهد ، راه حل های وی بدون در نظر گرفتن تصویر ، طبقه بندی می کنند. SkinScreen با مدل پیشرفته هوش مصنوعی قادر به تشخیص ضایعه پوستی قبل از طبقه بندی است.

3. رده های بیشتری از ضایعات پوستی را تشخیص دهید - با شناسایی 9 کلاس خوش خیم و بدخیم ضایعات پوستی (آکتینیک کراتوز ، آنژیوما ، کارسینوم سلول بازال ، درماتوفیبروما ، ملانوسیتیک نیوس ، ملانوم ، کراتوز سبورئیک ، سرطان سلول سنگفرشی ، ضایعات عروقی) برای هر فردی که با SkinScreen رابط دارد بازخورد بهتری ارائه می دهد. و ما در حال گسترش تعداد کلاسهای ضایعات پوستی هستیم که از آنها پشتیبانی می کنیم.

4- نرخ دقت و دقت بالاتری را ارائه دهید - ما از یک رویکرد دو برابر استفاده می کنیم تا بتوانیم نرخ دقت و دقت بالاتر را به انجام برسانیم. ما ابتدا از طبقه بندی یک کلاس برای شناسایی وجود ضایعه پوستی در تصویر استفاده می کنیم. در این صورت ، ما می توانیم 3 کلاس ضایعات پوستی و احتمالات مربوط به آنها را بازگردانیم. بخشی از این کار از طریق 180،000 تصویری که برای آموزش مدل هوش مصنوعی خود استفاده می کنیم ، محقق می شود.

5. ارائه بازخورد در زمان واقعی - SkinScreen قادر است به طور متوسط ​​در کمتر از دو ثانیه نتایج برگشتی را به کاربر ارائه دهد. با استفاده از معماری MobileNetV2 که تاخیر کمتری دارد و دقت بالاتری دارد و پیشرفت های اختصاصی کمی دارد ، می توانیم نتایج را به موقع به کاربر اطلاع دهیم.

6. ابزارهای کاربر پسند ارائه دهید - سیستم عامل های مختلف SkinScreen قادر به کمک به کاربران در تعامل با این ابزار هستند. ما سعی می کنیم این مهم را از طریق ابزارهای پشتیبانی انجام دهیم که ضروری است در تشخیص ضایعات پوستی صرف نظر از زمینه و مهارت مهارت کاربر.