DermLens

La psoriasis es una enfermedad crónica de la piel que afecta a 7,5 millones de estadounidenses y a más de 125 millones de personas en todo el mundo. La enfermedad puede afectar negativamente la calidad de vida de las personas. Mejorar el control de la enfermedad tendrá un gran impacto en los individuos y en la sociedad.

Los síntomas más frecuentes de la psoriasis son visuales y DeepLens los puede capturar. La psoriasis se caracteriza por parches de piel anormal, generalmente enrojecidos y escamosos.

Con DeepLens, podemos ofrecer una solución rentable y escalable para cambiar las vidas de millones de pacientes, que permite que aquellas personas con psoriasis supervisen y controlen su enfermedad. La ejecución local de algoritmos de aprendizaje automático e inferencia en tiempo real es un factor de cambio, ya que permite la clasificación y la segmentación en el borde de la red donde se encuentra el paciente, en lugar de depender de una conectividad de alto ancho de banda al hardware centralizado.

Creado por: Terje Norderhaug y Tom Woolf

Utilizamos un conjunto de datos de 45 imágenes etiquetadas de piel con segmentos anormales. Cada imagen del conjunto de formación viene con una máscara que indica la piel anormal. Formamos un modelo en DeepLens con las imágenes del conjunto de formación.

Nuestra integración en la nube utiliza AWS. Además de DeepLens, usamos MQTT para permitir que nuestra aplicación tenga un flujo de información proveniente del dispositivo DeepLens. Nuestra función lambda se activa para devolver una estimación confiable sobre la gravedad de la psoriasis, basada en la segmentación y el porcentaje de la imagen que potencialmente se considera en riesgo. Utilizamos MXNet y Tensorflow para formar modelos, junto con el perfeccionamiento de hiperparámetros de Sagemaker. El modelo se evaluó mediante la formación en el dispositivo (ver el video de YouTube) y mediante Sagemaker con nuestras imágenes en un bucket S3.

Además de la consola de AWS y los recursos de CLI, el proyecto se basa en las funciones node.js y Lambda de Python, junto con los portátiles de Python que utilizan los recursos de Juypter y AWS para el aprendizaje. Utilizamos una combinación de dos equipos portátiles, uno de escritorio y recursos de AWS, junto con DeepLens para el desarrollo y las pruebas.

Desarrollamos una aplicación móvil complementaria para que los pacientes comuniquen síntomas adicionales como picazón y fatiga, utilizando ClojureScript y React. Está destinado a ser utilizado en una situación de atención continua en el que los datos informados están disponibles para el médico y el equipo de atención. Prevemos que, en última instancia, DeepLens puede integrarse en un producto de hardware para pacientes con psoriasis, el cual también podrá captar esos síntomas adicionales.