SkinScreen
5+
Nedladdningar
Ingen åldersgräns
info
Om appen
SkinScreen-applikationen utökar mänskliga möjligheter att upptäcka och klassificera hudskador / hudcancer i stödvärdebaserade vårdmål. SkinScreen erbjuder möjligheten att upptäcka maligna och godartade hudskador i realtid genom en mycket exakt och exakt lösning. Lösningen utnyttjar kraften i djupinlärning, en metod under artificiell intelligens (AI), för att möjliggöra snabbare och mer exakta förutsägelser än tidigare. Genom en term som vi har varumärkesskyddat, kallad Indescribable Model, är det en AI-modell som ursprungligen är sådd med hyperparametrar, men modellen tränar sig kontinuerligt i att hitta den bästa passningen mot datasetet utan framtida mänskligt ingripande. För närvarande utförs detekteringen manuellt av en hudläkare eller tekniker genom ett heuristiskt tillvägagångssätt som kallas ABCDE (Asymmetry, Border Irregularity, Color, Diameter, Evolution).
SkinScreen erbjuder ett antal skillnader än andra lösningar på marknaden:
1. Säkerställ användarens integritet - Genom att utnyttja den senaste MobileNetV2-arkitekturen kan AI-modellen köras på en användares enhet och inga bilder behöver laddas upp till SkinScreen-servrarna till skillnad från andra lösningar.
2. Upptäck om en hudskada är närvarande - Många AI-huddetekteringslösningar upptäcker inte om en hudskada finns i bilden från början. De förlitar sig på manuell intervention från den mänskliga användaren för att ge en hudskadebild. Till exempel, om en användare tillhandahåller en bild av en giraff klassificerar deras lösningar bilden oavsett. SkinScreen's sofistikerade AI-modell kan upptäcka om en hudskada finns före klassificeringen.
3. Detektera fler klasser av hudskador - Genom att detektera 9 vanliga godartade och maligna klasser av hudskador (aktinisk keratos, angiom, basalcellscancer, dermatofibrom, melanocytisk nevus, melanom, seborrheisk keratos, skivepitelcancer, vaskulära lesioner) kan vi ge bättre feedback för varje individ som gränssnitt med SkinScreen. Och vi fortsätter att utöka antalet hudskadeklasser som vi stöder.
4. Ge högre noggrannhet och precision - Vi använder ett dubbelt tillvägagångssätt för att uppnå högre precision och precision. Vi använder först en klassificering i en klass för att identifiera om det finns en hudskada i bilden. Om så är fallet kan vi ge tillbaka de tre mest troliga hudskadeklasserna och deras tillhörande sannolikheter. En del av detta uppnås genom de 180 000 bilderna som vi använder för att träna vår AI-modell.
5. Ge feedback i realtid - SkinScreen kan ge tillbaka resultat till användaren på under två sekunder i genomsnitt. Genom att utnyttja MobileNetV2-arkitekturen som har lägre latens och högre noggrannhet och få egna förbättringar kan vi meddela användaren om resultaten i rätt tid.
6. Tillhandahåll användarvänliga verktyg - SkinScreens olika plattformar kan hjälpa användare i deras interaktion med verktyget. Vi försöker åstadkomma detta genom stödverktyg som är avgörande för att detektera hudskador oavsett användarens bakgrund och skicklighetsuppsättningar.
SkinScreen erbjuder ett antal skillnader än andra lösningar på marknaden:
1. Säkerställ användarens integritet - Genom att utnyttja den senaste MobileNetV2-arkitekturen kan AI-modellen köras på en användares enhet och inga bilder behöver laddas upp till SkinScreen-servrarna till skillnad från andra lösningar.
2. Upptäck om en hudskada är närvarande - Många AI-huddetekteringslösningar upptäcker inte om en hudskada finns i bilden från början. De förlitar sig på manuell intervention från den mänskliga användaren för att ge en hudskadebild. Till exempel, om en användare tillhandahåller en bild av en giraff klassificerar deras lösningar bilden oavsett. SkinScreen's sofistikerade AI-modell kan upptäcka om en hudskada finns före klassificeringen.
3. Detektera fler klasser av hudskador - Genom att detektera 9 vanliga godartade och maligna klasser av hudskador (aktinisk keratos, angiom, basalcellscancer, dermatofibrom, melanocytisk nevus, melanom, seborrheisk keratos, skivepitelcancer, vaskulära lesioner) kan vi ge bättre feedback för varje individ som gränssnitt med SkinScreen. Och vi fortsätter att utöka antalet hudskadeklasser som vi stöder.
4. Ge högre noggrannhet och precision - Vi använder ett dubbelt tillvägagångssätt för att uppnå högre precision och precision. Vi använder först en klassificering i en klass för att identifiera om det finns en hudskada i bilden. Om så är fallet kan vi ge tillbaka de tre mest troliga hudskadeklasserna och deras tillhörande sannolikheter. En del av detta uppnås genom de 180 000 bilderna som vi använder för att träna vår AI-modell.
5. Ge feedback i realtid - SkinScreen kan ge tillbaka resultat till användaren på under två sekunder i genomsnitt. Genom att utnyttja MobileNetV2-arkitekturen som har lägre latens och högre noggrannhet och få egna förbättringar kan vi meddela användaren om resultaten i rätt tid.
6. Tillhandahåll användarvänliga verktyg - SkinScreens olika plattformar kan hjälpa användare i deras interaktion med verktyget. Vi försöker åstadkomma detta genom stödverktyg som är avgörande för att detektera hudskador oavsett användarens bakgrund och skicklighetsuppsättningar.
Uppdaterades den
Säkerhet börjar med förståelsen av hur utvecklare samlar in och delar din data. Praxis för dataintegritet och säkerhet varierar beroende på användning, region och ålder. Utvecklaren har tillhandahållit denna information och kan uppdatera den med tiden.
Nyheter
- Updated to align with latest SDK (v36)
Appsupport
phone
Telefonnummer
+14109147216
Om utvecklaren
Jason Benkert
jason.benkert@skinscreen.io
1514 Crowner Rd
Shady Side, MD 20764-9416
United States