描述

概述

由于疾病的特性和癥狀多變，自動診斷疾病一直是一項巨大的挑戰。另一方面，神經網絡 (NN) 已發展成為機器學習領域的強大工具，即使在變量不一致的情況下，它也顯示出在計算診斷方面的前景。

我開發了一種用于直接分析和治療人類疾病的低成本設備。通過利用神經網絡，該設備可以使用端到端深度學習自動檢測疾病和狀況。相對于訓練有素的醫生，它具有極高的準確率。深度神經網絡 (DNN) 算法可以識別各種疾病，并提供治療建議。氧飽和度和心電圖 (ECG) 值等生物特征值是使用循環神經網絡 (RNN) 計算的，該循環神經網絡開發用于檢測異常：心肌心律失常和局部缺血。卷積神經網絡在設備上用于識別和分割皮膚病灶。這些算法在 Raspberry Pi 處理器上運行。該設備可以通過對用戶進行預分析并提供估計條件來加快診斷所需的時間，從而增強醫生的能力。

總體而言，該設備將有助于提醒醫生注意高危患者，同時使醫生的分析更加高效和準確；因此，節省人員，同時降低成本和時間。

?

靈感

超過 4 億人無法獲得基本的衛生服務。我親眼目睹了不幸地區人民的掙扎，當我去印度探親時，我經常看到許多人患有可治療的疾病，但許多人不具備治療知識。

?

客觀的

開發一種自動進行醫學分析（皮膚病、心血管和癥狀）的設備 + 開發相應的算法模型來自我優化其參數。

?

方法

HAM10000 是用于訓練皮膚病模型的數據庫。它包含 26 種不同皮膚狀況的 10, 000 張圖像。數據集增強僅應用于訓練集，以保護驗證組和測試組中的圖像質量。

PhysioNet 和 MIT-BIH 關于心律失常和心肌缺血的數據庫被用來訓練心臟異常模型。

為了容納這些神經網絡并使其可部署，我們從頭開始構建了一個廉價的、基于 Raspberry-Pi 的設備。

?

影響

在這個項目中，創建了一種能夠離線診斷疾病的低成本設備：癥狀、皮膚病和心血管疾病，其準確率可與現代醫生相媲美。

該工具將幫助增強世界各地的醫生，通過允許在家中進行簡單方便的醫學分析，使他們的工作更輕松。通過允許在不使用人員的情況下進行定期分析，該設備能夠在醫療異常發生之前識別它們，并提醒醫生。這種可擴展的方法可提供與醫務人員相媲美的分析，并在異常構成巨大威脅之前檢測異常，它能夠通過極大地增加醫療保健的可及性和范圍來在世界范圍內產生臨床影響。

總的來說，這個設備既能提醒醫生注意高危患者，又能使醫生的分析更有效率；總體而言，可以節省人員，同時降低成本和時間。