MedElevator
Войти в исследования DOI 10.4103/sjopt.sjopt_106_22
Разработка и внедрение смартфона для диагностики трахомы: использование без кода глубокого обучения и экспозиции искусственного интеллекта.
Аннотация
ЦЕЛЬ
Автоматизированное машинное обучение (AutoML) позволяет врачам, не имеющим опыта кодирования, создавать свои собственные модели глубокого обучения (DL). В этом исследовании оценивается эффективность AutoML в диагностике трахомы на основе собранных на местах конъюнктурных изображений и сопоставляется с моделями DL, разработанными экспертами.
МЕТОДЫ
два стажера-офтальмолога, не имеющие опыта кодирования, разработали модель AutoML с использованием общедоступного набора данных изображений, собранных на местах с помощью конъюнктурных изображений (1656 помеченных снимков). Мы разработали две двоичные модели, чтобы отличать трахоматное воспаление - фолликулярное (TF) и трахоматное воспаление - воспаление - воспаление (TI) от нормального. Затем мы включили эдж-модель в приложение Android с использованием Google Firebase для оффлайн-диагностики.
Результаты
Модели AutoML продемонстрировали высокие диагностические свойства в классификационных задачах, которые были сопоставимыми или лучше, чем модели DL. Площадь модели TF под кривой точного отзыва (AuPRC) составляла 0,945, чувствительность - 87%, специфичность - 88% и точность - 88%. Модель TI имела AuPRC 0,975, чувствительность 95%, специфичность 92% и точность 93%. Через приложение Android и с помощью внешнего набора данных модель AutoML имела AuPRC 0,875, чувствительность 83%, специфичность 81% и точность 83%.
ЗАКЛЮЧЕНИЕ
Модели AutoML, созданные офтальмологами без опыта кодирования, были сопоставимыми или лучше, чем модели, подготовленные на одном и том же наборе данных. Используя AutoML для создания моделей и вычислений для их внедрения в приложения на основе смартфонов, наш подход приводит весь спектр дизайна DL в руки врачей. Такой подход может привести к демократизации доступа к искусственному интеллекту.
Название и аннотация на языке оригинала
Development and deployment of a smartphone application for diagnosing trachoma: Leveraging code-free deep learning and edge artificial intelligence.
PURPOSE: Automated machine learning (AutoML) allows clinicians without coding experience to build their own deep learning (DL) models. This study assesses the performance of AutoML in diagnosing trachoma from field-collected conjunctival images and compares it to expert-designed DL models.
METHODS
Two ophthalmology trainees without coding experience carried out AutoML model design using a publicly available image data set of field-collected conjunctival images (1656 labeled images). We designed two binary models to differentiate trachomatous inflammation-follicular (TF) and trachomatous inflammation-intense (TI) from normal. We then integrated an Edge model into an Android application using Google Firebase to make offline diagnoses.
RESULTS
The AutoML models showed high diagnostic properties in the classification tasks that were comparable or better than the bespoke DL models. The TF model had an area under the precision-recall curve (AuPRC) of 0.945, sensitivity of 87%, specificity of 88%, and accuracy of 88%. The TI model had an AuPRC of 0.975, sensitivity of 95%, specificity of 92%, and accuracy of 93%. Through the Android app and using an external dataset, the AutoML model had an AuPRC of 0.875, sensitivity of 83%, specificity of 81%, and accuracy of 83%.
CONCLUSION
AutoML models created by ophthalmologists without coding experience were comparable or better than bespoke models trained on the same dataset. Using AutoML to create models and edge computing to deploy them into smartphone-based apps, our approach brings the whole spectrum of DL model design into the hands of clinicians. This approach has the potential to democratize access to artificial intelligence.
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.