En multiapplikasjonsplattform for helsetjenester drevet av ML som tilbyr vurderinger av hudtilstander, samtidig som den genererer leads og forbedrer innsamlingen av diagnostiske data

Innowise har utviklet en AI-drevet app som bruker dyp læring og bildegjenkjenning til raskt å vurdere hudsykdommer, og som gir raske, foreløpige diagnoser basert på opplastede bilder.

Kunde

Industri

Helsevesen

Region

Sentral-Asia

Kunde siden

2024

Vår kunde, et ledende dermatologisk klinikknettverk i Sentral-Asia med over 10 års erfaring, betjener mer enn 1000 pasienter daglig i seks land. De fokuserer på områder som allergologi, flebologi, dermatologisk kirurgi og mer. Deres tilnærming kombinerer pasientsentrert omsorg med avanserte diagnostiske verktøy og ekspertisen til de beste spesialistene. Denne kombinasjonen gjør dem i stand til å tilby tjenester som spenner fra behandling av kroniske hudlidelser til estetiske forbedringer. De er kjent for sin pasientsentrerte tilnærming (NPS > 9) og for å henvende seg til et klientell som inkluderer 12% velstående privatpersoner, og de søkte etter en løsning for å styrke sin posisjon som innovatører i regionen.

Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring

Utvikle en AI-drevet diagnostisk app som bidrar til å etablere markedslederskap og tiltrekke seg verdifulle pasienter

Med økende konkurranse i regionen så kunden potensialet i kunstig intelligens, ikke bare for å forbedre diagnostikken, men også som et kraftig markedsføringsverktøy. De ønsket å tiltrekke seg nye pasienter, særlig i det velstående segmentet, og posisjonere seg som teknologiledere i det sentralasiatiske helsemarkedet.

For dette formålet bestemte kunden seg for å utvikle en ML-drevet mobilapp for å automatisere den foreløpige diagnostikken av hudsykdommer. En viktig utfordring her var behovet for å innhente og vedlikeholde bildedata av høy kvalitet for å trene opp og validere en ML-modell, med ambisiøse mål for nøyaktighet, samtidig som man måtte ta hensyn til begrensningene som varierende bildekvalitet medfører. De hadde ikke noe internt utviklingsteam som kunne realisere denne visjonen, og henvendte seg derfor til Innowise for å få programvareutviklingstjenester.

Løsning

En AI-drevet plattform som integrerer mobilapper og et nettadministrasjonspanel

Innowise har utviklet en omfattende plattform som består av to sammenkoblede mobilapplikasjoner og et nettbasert administrasjonspanel, alt drevet av en spesialtilpasset DINOv2-modell som bruker transfer learning med Convolutional Neural Networks (CNN).

Pasientapp (iOS og Android): Denne appen fungerer som et avansert markedsføringsverktøy, og tilbyr brukerne en gratis, ML-drevet forhåndsvurdering av huden. Denne innovative tilnærmingen gir umiddelbare vurderinger av 30 hudlidelser, og fungerer som et verktøy for å generere leads til klinikknettverket. Appens brukervennlige design og personlige anbefalinger oppmuntrer brukerne til å bestille konsultasjoner hos kundens klinikker.

App for innsamling av legebilder (iOS og Android): Med denne appen kan klinikkpersonalet ta og laste opp bilder av høy kvalitet av ulike hudlidelser på en sikker måte, noe som bidrar direkte til den pågående opplæringen og forbedringen av DINOv2-modellen. Denne kontinuerlige tilbakemeldingssløyfen sikrer at AI forblir nøyaktig og oppdatert. Appen inneholder også et rapporteringssystem for sporing av bildestatistikk og diagnostiserte tilstander, noe som gir verdifulle data for analyse og forbedring.

Nettbasert administrasjonspanel: Dette panelet gir klinikkadministratorer omfattende verktøy for å administrere diagnoser, konfigurere behandlinger og medisiner etter land, gjennomgå AI-genererte vurderinger, analysere data om appbruk og generere rapporter. Dette sentraliserte systemet effektiviserer driften og gir verdifull innsikt i pasientdemografi og -trender.

Hele plattformen er bygget på en skalerbar og sikker AWS-skyinfrastruktur, noe som sikrer personvern og pålitelig ytelse. Det opprinnelige datasettet for DINOv2-modellen ble levert av kunden, og det utvides kontinuerlig med bilder som samles inn via legeappen.

Hvordan fungerer hudskannerappen?

Hudskanner-appen er designet for å være enkel i bruk, og guider brukerne gjennom en enkel prosess for å få en foreløpig vurdering. Appen gir en sømløs brukeropplevelse, fra valg av kroppsdel til personlige anbefalinger fra klinikken. Slik fungerer den:

Valg av kroppsdel: Når brukeren åpner appen, velger han eller hun først den delen av kroppen der hudlidelsen er lokalisert. Dette hjelper appen med å begrense de mulige tilstandene som kan være relatert til det spesifikke området.
Bildeopplasting: Brukerne kan enten ta et bilde av hudtilstanden sin eller laste opp et bilde fra galleriet sitt.
Spørreskjema: Når bildet er lastet opp, svarer brukerne på en kort quiz med tre spørsmål. Disse spørsmålene bidrar til å gi maskinlæringsanalysen en kontekst, for eksempel symptomer eller relevant medisinsk historie.
Bildeanalyse og diagnose: Etter at bildet er sendt inn, gir appen tre mulige diagnoser, hver med en sannsynlighetsscore. Den kan for eksempel vise akne (80%), dermatitt (15%) og psoriasis (5%). .
Detaljert informasjon om tilstanden: Brukerne kan trykke på en diagnose for å få mer detaljert informasjon om tilstanden, inkludert en beskrivelse, behandlingsalternativer og anbefalte medisiner. Denne informasjonen oppdateres jevnlig via administratorpanelet for å holde alt oppdatert.
Geolokasjonsbaserte klinikkanbefalinger: Appen bruker geolokalisering for å gi brukerne en personlig liste over klinikker i nærheten der de kan få behandling for sine lidelser. Hver klinikk har all kontaktinformasjon og nøyaktig beliggenhet på et interaktivt kart - noe som gjør det enkelt for pasientene å komme i kontakt med helsepersonell. Hvis det ikke finnes noen passende klinikker i brukerens by, foreslår appen alternativer i nærliggende byer eller regioner.
Brukerregistrering og profiladministrasjon: Appen tilbyr brukerne to alternativer: gjestemodus og registrert modus. I gjestemodus kan brukerne få rask diagnostikk uten å opprette en konto. Registrerte brukere, derimot, får tilgang til ekstra funksjoner som en personlig profil der de kan holde oversikt over diagnosehistorikken sin, lagre bilder og få mer detaljert innsikt basert på tidligere interaksjoner.
Annonsering i appen: Vi hjalp kunden med å legge til ikke-påtrengende bannerannonser i appen, og plasserte dem strategisk øverst eller nederst på skjermen for å skape en ekstra inntektsstrøm.

Teknologier

Mobile

Flutter

Frontend

Angular

Backend

Python, FastAPI

Maskinlæring

DINOv2, AWS SageMaker

Sikkerhet

TLS, AES-256-kryptering, MFA

VCS

Git, GitHub

Cloud

AWS

Prosess

En trinnvis tilnærming sørget for en smidig gjennomføring, fra oppdagelse (demonstrasjon av fotosamlingsappen og utforming av arbeidsflyten) til implementering (mobilutvikling, opplæring i modellen og oppsett av infrastruktur) og til slutt fortsatt drift og støtte (løpende forbedring av modellen, kunnskapsoverføring og dedikert support).

Team

Prosjektleder

Forretningsanalytiker

Angular Utviklere

UX/UI-designer

Python Ingeniører

Flutter-utviklere

ML-utviklere

Kvalitets- sikringsingeniør

Resultater

En vellykket AI-drevet plattform for huddiagnostikk som oppnår rask brukervekst og høy diagnostisk nøyaktighet, samtidig som den skaper ekspansjonsmuligheter

Vi har utviklet en ML-drevet mobilapp som gir brukerne en rask og sikker måte å vurdere hudtilstanden sin på. I løpet av de første tre månedene har appen på tvers av plattformer fått 5000 nye brukere, noe som har hjulpet kunden med å skaffe seg en sterk tilstedeværelse i et konkurranseutsatt marked. I tillegg utviklet vi en app for innsamling av bilder for å trene opp og finjustere ML-modellen, som nå oppnår en nøyaktighet på 80% på tvers av 30 dermatologiske diagnoser.

Teamet vårt har også utviklet et nettbasert administrasjonspanel som gjør det enkelt for klinikkadministratorer å administrere innhold, spore bruk og holde alle data oppdatert.

I tiden fremover har kunden gitt teamet vårt i oppdrag å implementere abonnementsalternativer og bygge API-tilgang til modellen for et nettverk av partnerklinikker. Vi jobber også med å forbedre de nåværende funksjonene for å gjøre appen så effektiv og brukervennlig som mulig.

Prosjektets varighet

Februar 2024 - Løpende

5,000

nye brukere i løpet av de tre første månedene

80%

Oppnådd nøyaktighet i ML-modellen

Relaterte saker

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

Hva skjer videre?

Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.