SkinScreen
5+
Downloads
Alle
info
Om denne app
SkinScreen-applikationen udvider menneskelige evner til påvisning og klassificering af hudlæsioner / hudkræft i støtteværdibaserede sundhedsmål. SkinScreen giver mulighed for at opdage ondartede og godartede hudlæsioner i realtid gennem en meget nøjagtig og præcis løsning. Løsningen udnytter kraften i dyb læring, en metode under kunstig intelligens (AI), for at muliggøre hurtigere og mere nøjagtige forudsigelser end tidligere var tilgængelige. Gennem et udtryk, som vi har varemærkebeskyttet, kaldet Ubeskrivelig model, er det en AI-model, der oprindeligt er podet med hyperparametre, men modellen træner sig hele tiden i at finde den bedste pasform mod datasættet uden fremtidig menneskelig indgriben nødvendig. I øjeblikket udføres påvisningen manuelt af en hudlæge eller tekniker gennem en heuristisk tilgang kendt som ABCDE (Asymmetri, Grænseregelmæssighed, Farve, Diameter, Evolution).
SkinScreen tilbyder en række forskelle end andre løsninger på markedet:
1. Sikre brugernes fortrolighed - Ved at udnytte den nyeste MobileNetV2-arkitektur er AI-modellen i stand til at køre på en brugers enhed, og ingen billeder skal uploades tilbage til SkinScreen's servere i modsætning til andre løsninger.
2. Find ud af, om der er en hudlæsion - Mange AI-hudopdagelsesløsninger registrerer ikke, om der først er en hudlæsion i billedet. De er afhængige af manuel indgriben fra den menneskelige bruger for at give et hudlæsionsbillede. For eksempel, hvis en bruger giver et billede af en giraf, klassificerer deres løsninger billedet uanset. SkinScreen's sofistikerede AI-model er i stand til at detektere, om en hudlæsion er til stede før klassificering.
3. Påvis flere klasser af hudlæsioner - Ved at detektere 9 almindelige godartede og ondartede klasser af hudlæsioner (aktinisk keratose, angiom, basalcellekarcinom, dermatofibrom, melanocytisk nevus, melanom, seborrheisk keratose, pladecellecarcinom, vaskulære læsioner) er vi i stand til give bedre feedback til hver enkelt person, der grænseflader med SkinScreen. Og vi fortsætter med at udvide antallet af hudlæsionsklasser, som vi støtter.
4. Giv højere nøjagtighed og præcision - Vi udnytter en to gange tilgang til at opnå højere nøjagtighed og præcision. Vi bruger først en klassificering i en klasse til at identificere, om der findes en hudlæsion i billedet. I så fald er vi i stand til at give de 3 mest sandsynlige hudlæsionsklasser og deres tilknyttede sandsynligheder tilbage. En del af dette opnås gennem de 180.000 billeder, som vi bruger til at træne vores AI-model.
5. Giv feedback i realtid - SkinScreen er i stand til at give tilbage resultater til brugeren på under to sekunder i gennemsnit. Ved at udnytte MobileNetV2-arkitekturen, som har lavere latenstid og højere nøjagtighed og få proprietære forbedringer, er vi i stand til at underrette brugeren om resultaterne rettidigt.
6. Giv brugervenlige værktøjer - SkinScreen's forskellige platforme er i stand til at hjælpe brugere i deres interaktion med værktøjet. Vi forsøger at opnå dette gennem supportværktøjer, der er afgørende for at detektere hudlæsioner uanset brugerens baggrund og færdigheder.
SkinScreen tilbyder en række forskelle end andre løsninger på markedet:
1. Sikre brugernes fortrolighed - Ved at udnytte den nyeste MobileNetV2-arkitektur er AI-modellen i stand til at køre på en brugers enhed, og ingen billeder skal uploades tilbage til SkinScreen's servere i modsætning til andre løsninger.
2. Find ud af, om der er en hudlæsion - Mange AI-hudopdagelsesløsninger registrerer ikke, om der først er en hudlæsion i billedet. De er afhængige af manuel indgriben fra den menneskelige bruger for at give et hudlæsionsbillede. For eksempel, hvis en bruger giver et billede af en giraf, klassificerer deres løsninger billedet uanset. SkinScreen's sofistikerede AI-model er i stand til at detektere, om en hudlæsion er til stede før klassificering.
3. Påvis flere klasser af hudlæsioner - Ved at detektere 9 almindelige godartede og ondartede klasser af hudlæsioner (aktinisk keratose, angiom, basalcellekarcinom, dermatofibrom, melanocytisk nevus, melanom, seborrheisk keratose, pladecellecarcinom, vaskulære læsioner) er vi i stand til give bedre feedback til hver enkelt person, der grænseflader med SkinScreen. Og vi fortsætter med at udvide antallet af hudlæsionsklasser, som vi støtter.
4. Giv højere nøjagtighed og præcision - Vi udnytter en to gange tilgang til at opnå højere nøjagtighed og præcision. Vi bruger først en klassificering i en klasse til at identificere, om der findes en hudlæsion i billedet. I så fald er vi i stand til at give de 3 mest sandsynlige hudlæsionsklasser og deres tilknyttede sandsynligheder tilbage. En del af dette opnås gennem de 180.000 billeder, som vi bruger til at træne vores AI-model.
5. Giv feedback i realtid - SkinScreen er i stand til at give tilbage resultater til brugeren på under to sekunder i gennemsnit. Ved at udnytte MobileNetV2-arkitekturen, som har lavere latenstid og højere nøjagtighed og få proprietære forbedringer, er vi i stand til at underrette brugeren om resultaterne rettidigt.
6. Giv brugervenlige værktøjer - SkinScreen's forskellige platforme er i stand til at hjælpe brugere i deres interaktion med værktøjet. Vi forsøger at opnå dette gennem supportværktøjer, der er afgørende for at detektere hudlæsioner uanset brugerens baggrund og færdigheder.
Opdateret
For at du kan beskytte dine data, er det vigtigt at sætte sig ind i, hvordan udviklere indsamler og deler disse data. Databeskyttelses- og sikkerhedsprocedurer kan variere afhængigt af din brug, din region og din alder. Udvikleren har leveret disse oplysninger og kan løbende opdatere dem.
Der deles ikke data med tredjeparter
Få flere oplysninger om, hvordan udviklere angiver, at de deler data
Der blev ikke indsamlet data
Få flere oplysninger om, hvordan udviklere angiver, at de indsamler data
Nyheder
- Updated to align with latest SDK (v36)
Support til app
phone
Telefonnummer
+14109147216
Om udvikleren
Jason Benkert
jason.benkert@skinscreen.io
1514 Crowner Rd
Shady Side, MD 20764-9416
United States