用于直接分析和治疗人类疾病的低成本设备开发

描述

概述

由于疾病的特性和症状多变，自动诊断疾病一直是一项巨大的挑战。另一方面，神经网络 (NN) 已发展成为机器学习领域的强大工具，即使在变量不一致的情况下，它也显示出在计算诊断方面的前景。

我开发了一种用于直接分析和治疗人类疾病的低成本设备。通过利用神经网络，该设备可以使用端到端深度学习自动检测疾病和状况。相对于训练有素的医生，它具有极高的准确率。深度神经网络 (DNN) 算法可以识别各种疾病，并提供治疗建议。氧饱和度和心电图 (ECG) 值等生物特征值是使用循环神经网络 (RNN) 计算的，该循环神经网络开发用于检测异常：心肌心律失常和局部缺血。卷积神经网络在设备上用于识别和分割皮肤病灶。这些算法在 Raspberry Pi 处理器上运行。该设备可以通过对用户进行预分析并提供估计条件来加快诊断所需的时间，从而增强医生的能力。

总体而言，该设备将有助于提醒医生注意高危患者，同时使医生的分析更加高效和准确；因此，节省人员，同时降低成本和时间。

灵感

超过 4 亿人无法获得基本的卫生服务。我亲眼目睹了不幸地区人民的挣扎，当我去印度探亲时，我经常看到许多人患有可治疗的疾病，但许多人不具备治疗知识。

客观的

开发一种自动进行医学分析（皮肤病、心血管和症状）的设备 + 开发相应的算法模型来自我优化其参数。

方法

HAM10000 是用于训练皮肤病模型的数据库。它包含 26 种不同皮肤状况的 10, 000 张图像。数据集增强仅应用于训练集，以保护验证组和测试组中的图像质量。

PhysioNet 和 MIT-BIH 关于心律失常和心肌缺血的数据库被用来训练心脏异常模型。

为了容纳这些神经网络并使其可部署，我们从头开始构建了一个廉价的、基于 Raspberry-Pi 的设备。

影响

在这个项目中，创建了一种能够离线诊断疾病的低成本设备：症状、皮肤病和心血管疾病，其准确率可与现代医生相媲美。

该工具将帮助增强世界各地的医生，通过允许在家中进行简单方便的医学分析，使他们的工作更轻松。通过允许在不使用人员的情况下进行定期分析，该设备能够在医疗异常发生之前识别它们，并提醒医生。这种可扩展的方法可提供与医务人员相媲美的分析，并在异常构成巨大威胁之前检测异常，它能够通过极大地增加医疗保健的可及性和范围来在世界范围内产生临床影响。

总的来说，这个设备既能提醒医生注意高危患者，又能使医生的分析更有效率；总体而言，可以节省人员，同时降低成本和时间。