DermLens

Le psoriasis est une maladie courante et chronique de la peau qui touche jusqu'à 7,5 millions d'Américains et plus de 125 millions de personnes dans le monde. La maladie peut avoir un effet particulièrement néfaste sur la qualité de vie des personnes. Améliorer la gestion de la maladie aura un impact important sur les individus et la société.

Les symptômes les plus fréquents du psoriasis sont visuels et peuvent être capturés par DeepLens. Le psoriasis se caractérise par des plaques cutanées anormales, généralement rouges et squameuses.

Grâce à DeepLens, nous pouvons apporter une solution rentable et évolutive pour changer la vie de millions de personnes, et ainsi permettre aux patients atteints de psoriasis de surveiller et de gérer leur maladie. Exécuter des algorithmes de machine learning et des inférences de manière locale et en temps réel s'avère être un élément déterminant, car cela permet de classifier et de segmenter à la périphérie du réseau, à l'emplacement du patient, plutôt que de dépendre d'une connectivité à large bande passante vers un matériel centralisé.

Créé par : Terje Norderhaug et Tom Woolf

Nous avons utilisé un ensemble de données de 45 images de peau étiquetées présentant des segments anormaux. Chaque image du kit de formation est accompagnée d'un masque indiquant la peau anormale. Nous avons formé un modèle sur DeepLens en utilisant les images du kit de formation.

Notre intégration cloud utilise AWS. En plus de DeepLens, nous avons utilisé MQTT pour permettre à notre application de disposer d'un flux d'informations provenant du périphérique DeepLens. Notre fonction lambda est déclenchée de façon à renvoyer une estimation de confiance quant à la gravité du psoriasis, en fonction de la segmentation et du pourcentage de l'image potentiellement considéré comme étant à risque. Nous avons utilisé MXNet et Tensorflow pour la formation de modèles, ainsi que l'amélioration de l'hyperparamètre avec Sagemaker. Le modèle a été évalué à la fois par la formation sur appareil (voir la vidéo YouTube) et par Sagemaker avec nos images dans un compartiment S3.

Outre les ressources de la console AWS et de l'interface de ligne de commande, le projet s'appuie sur les fonctions node.js et Python Lambda, ainsi que sur les blocs-notes Python utilisant des ressources Juypter et AWS pour l'apprentissage. Nous avons utilisé deux ordinateurs portables, un ordinateur de bureau et des ressources AWS, ainsi que DeepLens pour le test et la conception.

Nous avons créé une application mobile compagnon capable de signaler elle-même d'autres symptômes, tels que les démangeaisons et la fatigue, à l'aide de ClojureScript et de React. Elle est destinée à être utilisée dans un scénario de soins continus dans lequel les données signalées sont mis à la disposition du médecin et de l'équipe de soins. Nous envisageons que DeepLens puisse être intégré à un produit matériel destiné aux patients atteints de psoriasis, qui capture également de tels symptômes supplémentaires.