Avancerat verktyg för depressionsidentifierare

Innowise har utvecklat en innovativ AI-plattform som kan identifiera depression hos patienter genom EEG-skanningar.

Kund

Industri

Medicin

Region

USA

Kund sedan

2022

Vår kund är en av de stora företrädarna inom hälso- och sjukvården. De driver sitt eget medicinska centrum i USA.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning

Över 1 miljard människor världen över lider av psykiska störningar, med depression som påverkar mer än 300 miljoner. För att hjälpa till med tidig diagnos och omfattande behandling har forskare identifierat EEG-biomarkörer och AI-teknik för ansiktsigenkänning som lovande verktyg. Genom att använda AI facial emotion recognition, som använder maskininlärning för att analysera ansiktsuttryck och upptäcka mönster i samband med psykiska störningar, kan vi tillhandahålla en icke-invasiv och bekväm metod för att upptäcka potentiella psykiska problem. Med ansiktsigenkänning med maskininlärning kan vi förstärka traditionella kliniska metoder för diagnos och behandling av psykisk hälsa, vilket ger mer effektiva och inkluderande lösningar.

Innowise kontaktades av en klient med kravet att utveckla en automatiserad lösning som använder AI för att upptäcka mänskliga känslor relaterade till depression hos patienter. Genom att utnyttja avancerad emotion AI-teknik och expertis utvecklade Innowise en lösning som kan hjälpa kliniker att tillhandahålla snabb och effektiv vård till dem som kämpar med depression.

Lösning

Vi implementerade AI som en servicelösning för att hjälpa till att upptäcka och behandla depression. Med hjälp av toppmoderna djupinlärningsverktyg utvecklade vi en modell som kan upptäcka depression genom att skanna EEG-resultat och identifiera EEG-prediktorer för terapeutiskt svar. Genom att analysera EEG-data kan vår modell identifiera mönster och indikatorer som kan hjälpa kliniker att skräddarsy sin behandlingsmetod för varje enskild patient.

MOLN ML-APPLIKATION

Vi valde en molnbaserad applikation eftersom den ger en mängd fördelar för vår maskininlärningslösning (ML), inklusive förbättrad säkerhet och datalagringskapacitet. Den implementerade SaaS-lösningen eliminerar behovet av hög processorkraft, datalagring och flera servrar för att bearbeta ML-algoritmer samtidigt.

Vårt team har också utvecklat ett API som förbättrar användarupplevelsen genom att automatiskt starta utbildade maskininlärningsmodeller för att bearbeta användardata och visa resultat i realtid.

Sammantaget ger den utvecklade molnbaserade SaaS-lösningen och tillhörande API ett omfattande och strömlinjeformat tillvägagångssätt för maskininlärning, vilket ger våra kunder de möjligheter de behöver för att uppnå sina mål.

ML-UTBILDNING

För att stödja våra AI-modeller och prediktiv analys implementerade vårt utvecklingsteam data lakes, vilket gav en robust och skalbar lagringslösning för stora datamängder. Detta gör det möjligt för oss att genomföra omfattande emotionell AI-analys och extrahera värdefulla insikter för våra kunder. Sedan integrerar vi sömlöst datalager, Slutför transformationsprocessen och rensar effektivt data innan de laddas upp.

När EEG-skanningen når molnet utnyttjar ML-modellen data som lagras i datalagret för att bedöma och exakt avgöra om patienten har depression.

Det är viktigt att notera att arbetet med medicinsk data var den mest utmanande delen av utvecklingen. Innowise Team lyckades dock framgångsrikt träna ML-modellen och integrera den i medicinsk praxis.

Denna prestation visar inte bara vårt teams skicklighet att hantera komplexa och känsliga medicinska data utan belyser också vårt engagemang för att tillhandahålla bästa möjliga lösningar för våra kunder.

WEBBGRÄNSSNITT

För att förenkla processen att få resultat utvecklade vi ett intuitivt webbgränssnitt som effektiviserar användarupplevelsen. Denna lösning eliminerar behovet av manuell datainmatning, vilket avsevärt minskar risken för fel och gör det möjligt för användare att enkelt och snabbt få exakta och tillförlitliga resultat.

Tack vare det intuitiva gränssnittet är det dessutom att navigera genom systemet och få nödvändiga data utan teknisk expertis eller komplexa förfaranden.

Teknik

Back-end

Python, FastAPI

Maskininlärning

OpenCV, Pandas, NumPy, Scikit-learn, PyTorch, Matplotlib, MLFlow, Keras, Tensorflow, Python-MIP

Moln och DevOps

AWS (S3, Lambda, SageMaker etc.), Kubernetes, Docker

Process

Trots den komplexa och flerstegsutvecklingsprocessen hade Innowise Team tillräckligt med expertis för att ta itu med alla problem och problem i rätt tid.

I det första skedet anlitade vi en specialist på modellvalidering som använde olika verktyg för att undersöka ML-modellprognoser. Stora ansträngningar gjordes för en grundlig förberedelse av datamärkningen, vilket i slutändan ledde till enorma tidsbesparingar eftersom vi hade konfigurerat en bekväm infrastruktur för alla specialister. Forskningssteget omfattade olika modellprövningar och genomfördes effektivt via ett utformat valideringsschema.

Efter att våra specialister filtrerat data började de träna ML-modellen. Denna fas bestod av flera steg för att förbättra och förfina modellen. Slutligen integrerade utvecklare den utbildade modellen i molnapplikationen.

När det gäller projektledning använde vi Slack och Jira för att samarbeta om projektet inom företaget och Google Chats för extern kommunikation med kunden. Vi använde Scrum metodik, med dagliga möten och demopresentationer av mellanliggande resultat varje månad.

Från och med idag fortsätter vi att stödja projektet och lösa eventuella problem som uppstår tills allt fungerar korrekt på kundens sida.

Team

Back-End-utvecklare

Front-end-utvecklare

Datavetare

Ingenjör inom maskininlärning

Affärsanalytiker

Designer

Projektledare

QA-ingenjör

Resultat

Vårt team levererade en avancerad AI mental health app till vår klient, förse dem med en utbildad modell som kan upptäcka depression från EEG-skanningar och identifiera biomarkörer för att förutsäga behandlingssvar. Denna innovativa ML-plattform är ett nytt tillvägagångssätt för behandling av depression som ökar sannolikheten för nytt läkemedelsgodkännande.

Den designade AI-baserade appen för mental hälsa är enkel att använda för läkare eftersom de skannade resultaten hanteras via ett intuitivt webbgränssnitt. Dessutom byggde utvecklingsteamet ett datainsamlingssystem med en verktygslåda för snabb datamärkning, vilket optimerade processen för kliniker och forskare.

Sedan implementeringen av den utformade lösningen har kunden sett betydande fördelar, inklusive ökade klinikmedel och en utökad kundbas. Genom att erbjuda ett unikt verktyg för depressionsbehandling har vår kund positionerat sig i framkant av branschen och lockat fler patienter som söker banbrytande behandlingar.

Projektets löptid

3 månader för MVP
Projektet pågår fortfarande; i detta skede tillhandahåller vi underhåll och support till den utvecklade plattformen

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.