منصة الكشف عن الأمراض الجلدية

احتاجت شبكة عيادات الأمراض الجلدية العاملة في ستة بلدان في آسيا الوسطى إلى جعل الرعاية الجلدية أكثر سهولة وتحسين النتائج الصحية من خلال الكشف المبكر عن الأمراض الجلدية. طلب العميل تطبيق جوال مدعوم بالذكاء الاصطناعي يمكنه تقديم تقييمات أولية فورية لمختلف الحالات الجلدية من خلال تحليل الصور الملتقطة بكاميرات الهاتف المحمول. احتاج الحل إلى تحقيق دقة تشخيصية عالية مع إدارة تكاليف البنية التحتية وضمان بيانات تدريب كافية عالية الجودة. كان يجب أن يكون التطبيق سهل الاستخدام، ويمكن الوصول إليه عبر منصات iOS وAndroid، وأن يتضمن ميزات لتوجيه المستخدمين حول التقاط صور عالية الجودة مع توفير شروحات شفافة للتقييمات المولدة بالذكاء الاصطناعي.
مقدم رعاية صحية جلدية رائد يعمل في آسيا الوسطى، يخدم آلاف المرضى يومياً بخدمات طبية متطورة ويحافظ على درجات رضا عملاء استثنائية.
تطبيق جوال مدعوم بالذكاء الاصطناعي
يسمح للمرضى بالتقاط وإرسال صور لحالات الجلد الخاصة بهم للتقييم الأولي. يستفيد التطبيق من تقنيات التعلم العميق والتعرف على الصور، بما في ذلك CNNs ونقل التعلم. يوفر للمستخدمين تقييمات أولية فورية ويعزز الكشف المبكر عن الحالات الجلدية.
وحدة تصنيف الأمراض الجلدية
تستخدم نموذج DINOv2 معدلاً خصيصاً، مما يحقق متوسط دقة يبلغ 80٪ عبر 30 فئة من حالات الجلد.
طبقات جودة الصورة وقابلية التفسير
تتضمن ميزات لتقييم جودة الصورة وتوجيه المستخدمين لالتقاط صور أفضل. توفر شروحات لتحليل الذكاء الاصطناعي لبناء الثقة والشفافية.
بنية تحتية قابلة للتوسع
تستخدم خدمات سحابة AWS، بما في ذلك AWS Batch وخوادم الاستدلال NVIDIA Triton، لضمان قابلية عالية للتوسع والتوافر. يضمن تحسين النموذج تجربة مستخدم سلسة.
تعليق توضيحي بشري في الحلقة
تم تنفيذ عملية تعليق توضيحي قوية، تضم أطباء جلدية خبراء لضمان بيانات تدريب عالية الجودة. استخدم نماذج أساسية ومعالجة دون اتصال لتسريع سير عمل التعليق التوضيحي.
لوحة إدارة قائمة على الويب
توفر للمسؤولين أدوات لإدارة التشخيصات، وتكوين العلاجات والأدوية حسب البلد، ومراجعة التقييمات المولدة بالذكاء الاصطناعي، وتحليل استخدام التطبيق، وإنشاء التقارير.
تحقيق الدقة المستهدفة (80٪)
موازنة رغبة العميل في دقة تشخيصية عالية (في البداية >90٪) مع قيود نماذج التعلم الآلي الحالية، خاصة بالنظر إلى جودة الصور المتغيرة.
إدارة تكاليف البنية التحتية
احتواء تكاليف تطوير ونشر بنية تحتية قوية لتدريب واستنتاج نماذج التعلم الآلي.
اكتساب البيانات وجودتها
ضمان حجم كافٍ من الصور عالية الجودة لتدريب والتحقق من صحة نموذج التعلم الآلي.
قمنا بتطوير تطبيق جوال مدعوم بالذكاء الاصطناعي للكشف المبكر عن الأمراض الجلدية بما في ذلك الورم الميلانيني والأكزيما وحب الشباب. يستخدم التطبيق خوارزميات التعرف على الصور والتعلم العميق القائمة على الشبكات العصبية التلافيفية (CNNs) ونقل التعلم. من خلال تحليل الصور الملتقطة بكاميرات الهاتف المحمول، يوفر للمستخدمين تقييمات أولية فورية لمختلف الحالات الجلدية، مما يجعل الرعاية الجلدية أكثر سهولة، ويحسن النتائج الصحية، ويزيد الوعي حول أهمية الكشف المبكر. يستخدم الحل نموذج DINOv2 معدلاً خصيصاً، محققاً متوسط دقة يبلغ 80٪ عبر 30 فئة من حالات الجلد. قمنا بتنفيذ ميزات تقييم جودة الصورة لتوجيه المستخدمين حول التقاط صور أفضل وقدمنا شروحات لتحليل الذكاء الاصطناعي لبناء الثقة والشفافية. تستخدم البنية التحتية القابلة للتوسع خدمات سحابة AWS، بما في ذلك AWS Batch وخوادم الاستدلال NVIDIA Triton، مما يضمن قابلية عالية للتوسع والتوافر مع تحسين النماذج لتجربة مستخدم سلسة. قمنا بدمج عملية تعليق توضيحي بشري في الحلقة مع أطباء جلدية خبراء لضمان بيانات تدريب عالية الجودة، باستخدام نماذج أساسية ومعالجة دون اتصال لتسريع سير العمل. توفر لوحة الإدارة القائمة على الويب للمسؤولين أدوات شاملة لإدارة التشخيصات، وتكوين العلاجات والأدوية حسب البلد، ومراجعة التقييمات المولدة بالذكاء الاصطناعي، وتحليل استخدام التطبيق، وإنشاء التقارير.
Let's engineer the
future together.
