SkinScreen
5+
Allalaadimised
Kõik
info
Rakenduse teave
Rakendus SkinScreen laiendab inimeste võimalusi nahakahjustuste / nahavähi avastamisel ja klassifitseerimisel väärtuspõhiste tervishoiueesmärkide toetamisel. SkinScreen pakub ülitäpse ja täpse lahenduse abil võimalust tuvastada pahaloomulisi ja healoomulisi nahakahjustusi reaalajas. Lahendus kasutab sügava õppimise jõudu, mis on tehisintellekti (AI) meetod, et võimaldada kiiremaid ja täpsemaid ennustusi kui seni olid võimalikud. Termini kaudu, mille oleme kaubamärgiga tähistanud, nimetatakse kirjeldamatuks mudeliks, on see esialgu hüperparameetritega külvatud tehisintellekti mudel, kuid see mudel treenib ennast pidevalt andmekogumile kõige paremini sobiva inimese leidmiseks, ilma et see oleks tulevikus vajalik. Praegu teostab tuvastamist käsitsi dermatoloog või tehnik heuristilise lähenemise kaudu, mida nimetatakse ABCDE-ks (asümmeetria, piiride ebakorrapärasus, värv, läbimõõt, evolutsioon).
SkinScreen pakub mitmeid erinevusi kui muud turul olevad lahendused:
1. Kasutaja privaatsuse tagamine - uusima MobileNetV2 arhitektuuri abil saab AI-mudel töötada kasutaja seadmes ja erinevalt muudest lahendustest ei pea SkinScreeni serveritesse pilte üles laadima.
2. Nahakahjustuse olemasolu tuvastamine - paljud tehisintellektiga naha tuvastamise lahendused ei tuvasta, kas pildil on nahakahjustus algselt olemas. Nahakahjustuse pildi saamiseks toetuvad nad inimese kasutaja manuaalsele sekkumisele. Näiteks kui kasutaja esitab kaelkirjaku pildi, klassifitseerivad nende lahendused pilti sellest hoolimata. SkinScreeni keeruline AI-mudel suudab enne klassifitseerimist tuvastada, kas nahakahjustus on olemas.
3. Avastage rohkem nahakahjustuste klasse - tuvastades 9 levinud healoomulist ja pahaloomulist nahakahjustuse klassi (aktiinilised keratoosid, angioom, basaalrakuline kartsinoom, dermatofibroom, melanotsüütne nevus, melanoom, seborroilised keratoosid, lamerakk-kartsinoom, vaskulaarsed kahjustused), oleme võimelised pakkuda paremat tagasisidet igale inimesele, kes SkinScreeniga liidestub. Ja jätkame toetatavate nahakahjustuste klasside arvu laiendamist.
4. Pakkuge suuremat täpsust ja täpsuse määra - kõrgema täpsuse ja täpsuse saavutamiseks kasutame kahekordset lähenemist. Esmalt kasutame ühe klassi klassifikaatorit, et teha kindlaks, kas pildil on nahakahjustus. Kui jah, siis suudame esitada 3 kõige tõenäolisemat nahakahjustuse klassi ja sellega seotud tõenäosust. Osa sellest saavutatakse 180 000 pildi abil, mida kasutame oma AI mudeli treenimiseks.
5. Andke reaalajas tagasisidet - SkinScreen suudab anda kasutajale tulemusi keskmiselt alla kahe sekundi. Kasutades MobileNetV2 arhitektuuri, millel on madalam latentsus ja täpsus ning vähesed varalised täiustused, suudame kasutajaid tulemustest õigeaegselt teavitada.
6. Pakkuge kasutajasõbralikke tööriistu - SkinScreeni erinevad platvormid saavad kasutajaid abistada tööriista kasutamisel. Püüame seda saavutada tugivahendite abil, mis on nahakahjustuste avastamisel hädavajalikud, sõltumata kasutaja taustast ja oskuste komplektist.
SkinScreen pakub mitmeid erinevusi kui muud turul olevad lahendused:
1. Kasutaja privaatsuse tagamine - uusima MobileNetV2 arhitektuuri abil saab AI-mudel töötada kasutaja seadmes ja erinevalt muudest lahendustest ei pea SkinScreeni serveritesse pilte üles laadima.
2. Nahakahjustuse olemasolu tuvastamine - paljud tehisintellektiga naha tuvastamise lahendused ei tuvasta, kas pildil on nahakahjustus algselt olemas. Nahakahjustuse pildi saamiseks toetuvad nad inimese kasutaja manuaalsele sekkumisele. Näiteks kui kasutaja esitab kaelkirjaku pildi, klassifitseerivad nende lahendused pilti sellest hoolimata. SkinScreeni keeruline AI-mudel suudab enne klassifitseerimist tuvastada, kas nahakahjustus on olemas.
3. Avastage rohkem nahakahjustuste klasse - tuvastades 9 levinud healoomulist ja pahaloomulist nahakahjustuse klassi (aktiinilised keratoosid, angioom, basaalrakuline kartsinoom, dermatofibroom, melanotsüütne nevus, melanoom, seborroilised keratoosid, lamerakk-kartsinoom, vaskulaarsed kahjustused), oleme võimelised pakkuda paremat tagasisidet igale inimesele, kes SkinScreeniga liidestub. Ja jätkame toetatavate nahakahjustuste klasside arvu laiendamist.
4. Pakkuge suuremat täpsust ja täpsuse määra - kõrgema täpsuse ja täpsuse saavutamiseks kasutame kahekordset lähenemist. Esmalt kasutame ühe klassi klassifikaatorit, et teha kindlaks, kas pildil on nahakahjustus. Kui jah, siis suudame esitada 3 kõige tõenäolisemat nahakahjustuse klassi ja sellega seotud tõenäosust. Osa sellest saavutatakse 180 000 pildi abil, mida kasutame oma AI mudeli treenimiseks.
5. Andke reaalajas tagasisidet - SkinScreen suudab anda kasutajale tulemusi keskmiselt alla kahe sekundi. Kasutades MobileNetV2 arhitektuuri, millel on madalam latentsus ja täpsus ning vähesed varalised täiustused, suudame kasutajaid tulemustest õigeaegselt teavitada.
6. Pakkuge kasutajasõbralikke tööriistu - SkinScreeni erinevad platvormid saavad kasutajaid abistada tööriista kasutamisel. Püüame seda saavutada tugivahendite abil, mis on nahakahjustuste avastamisel hädavajalikud, sõltumata kasutaja taustast ja oskuste komplektist.
Värskendatud:
Ohutus algab selle mõistmisest, kuidas arendajad teie andmeid koguvad ja jagavad. Andmete privaatsuse ja turvalisuse tavad võivad olenevalt kasutusviisist ning teie piirkonnast ja vanusest erineda. Selle teabe esitas arendaja ja seda võidakse aja jooksul värskendada.
Mis on uut?
- Updated to align with latest SDK (v36)
Rakenduse tugi
phone
Telefoninumber
+14109147216
Teave arendaja kohta
Jason Benkert
jason.benkert@skinscreen.io
1514 Crowner Rd
Shady Side, MD 20764-9416
United States