AI-skannerapp för bedömning av hudtillstånd

Innowise har utvecklat en AI-driven app som använder djupinlärning och bildigenkänning för att snabbt bedöma hudåkommor och ge snabba, preliminära diagnoser baserat på uppladdade foton.

Utmaning

Med ökande konkurrens i regionen insåg kunden potentialen i AI, inte bara för att förbättra diagnostiken, utan även som ett kraftfullt marknadsföringsverktyg. De ville attrahera nya patienter, särskilt i segmentet med hög nettoförmögenhet, och positionera sig som teknikledare.

För detta ändamål bestämde sig kunden för att utveckla en ML-driven mobilapp för att automatisera den preliminära diagnostiken av hudåkommor. En viktig utmaning här var behovet av att förvärva och underhålla högkvalitativa bilddata för att träna och validera en ML-modell, med ambitiösa noggrannhetsmål samtidigt som man var medveten om de begränsningar som varierande bildkvalitet medförde. Utan ett internt utvecklingsteam för att leverera det, nådde de ut till Innowise.

Lösning

En AI-driven plattform som integrerar mobilappar och en webbadministratörspanel

Innowise utvecklade en omfattande plattform med två sammankopplade mobilapplikationer och en webbaserad administrationspanel, som alla drivs av en specialanpassad DINOv2-modell som använder transfer learning med Convolutional Neural Networks (CNN).

Patientapp (iOS och Android): Den här appen fungerar som ett avancerat marknadsföringsverktyg och erbjuder användarna en kostnadsfri, ML-driven preliminär hudbedömning. Detta innovativa tillvägagångssätt ger omedelbara bedömningar av 30 hudåkommor och fungerar som ett verktyg för att generera leads till kliniknätverket. Appens användarvänliga design och personliga rekommendationer uppmuntrar användarna att boka tid för konsultation.

App för insamling av läkarfoton (iOS och Android): Med den här appen kan klinikpersonalen på ett säkert sätt ta och ladda upp högkvalitativa bilder av olika hudåkommor, vilket direkt bidrar till den pågående utbildningen och förfiningen av DINOv2-modellen. Denna kontinuerliga återkoppling säkerställer att AI förblir korrekt och uppdaterad. Appen innehåller också ett rapporteringssystem för att spåra fotostatistik och diagnostiserade tillstånd, vilket ger värdefulla data för analys och förbättring.

Webbaserad administrationspanel: Denna panel ger klinikadministratörer omfattande verktyg för att hantera diagnoser, konfigurera behandlingar och mediciner per land, granska AI-genererade bedömningar, analysera appanvändningsdata och generera rapporter. Detta centraliserade system effektiviserar verksamheten och ger värdefulla insikter om patientdemografi och trender.

Hela plattformen är byggd på en skalbar och säker AWS-molninfrastruktur, vilket säkerställer datasekretess och tillförlitlig prestanda. Den ursprungliga datamängden för DINOv2-modellen tillhandahölls av kunden och kompletteras kontinuerligt med bilder som samlas in via läkarappen.

Hur fungerar appen för hudskanning

Skin Scanner-appen är utformad för att vara enkel att använda och guidar användarna genom en enkel process för att få en preliminär bedömning. Från val av kroppsdel till personliga klinikrekommendationer ger appen en smidig användarupplevelse. Så här fungerar den:

Val av kroppsdel: När användaren öppnar appen är det första steget att välja den del av kroppen där hudåkomman finns. Detta hjälper appen att begränsa de möjliga tillstånd som kan relateras till det specifika området.
Uppladdning av bild: Användarna kan antingen ta ett foto av sitt hudtillstånd eller ladda upp ett foto från sitt galleri.
Frågeformulär: När fotot har laddats upp svarar användarna på en kort frågesport med tre frågor. Dessa frågor hjälper till att lägga till ett sammanhang för maskininlärningsanalysen, som symtom eller annan relevant medicinsk historia.
Bildanalys och diagnos: När bilden har skickats in ger appen tre möjliga diagnoser, var och en med en sannolikhetspoäng. Det kan till exempel visa akne (80%), dermatit (15%) och psoriasis (5%).
Detaljerad information om skicket: Användare kan trycka på en diagnos för att få mer detaljerad information om tillståndet, inklusive en beskrivning, behandlingsalternativ och rekommenderade mediciner. Denna information uppdateras regelbundet via adminpanelen för att hålla allt uppdaterat.
Geolokaliseringsbaserade rekommendationer för kliniker: Appen använder geolokalisering för att förse användarna med en personlig lista över närliggande kliniker där de kan få behandling för sina tillstånd. Varje klinik har all kontaktinformation och exakta platser på en interaktiv karta - vilket gör det enkelt för patienterna att komma i kontakt med vårdpersonal. Om det inte finns några lämpliga kliniker i användarens stad föreslår appen alternativ i närliggande städer eller regioner.
Registrering av användare och profilhantering: Appen erbjuder användarna två alternativ: gästläge och registrerat läge. I gästläget kan användarna få snabb diagnostik utan att skapa ett konto. Registrerade användare, å andra sidan, låser upp extra funktioner som en personlig profil där de kan hålla reda på sin diagnoshistorik, spara foton och få mer detaljerade insikter baserade på deras tidigare interaktioner.
Annonsering i appen: Vi hjälpte kunden att lägga till icke-påträngande bannerannonser i appen och placera dem strategiskt högst upp eller längst ner på skärmen för att skapa en extra intäktsström.

Teknik

Python, FastAPI

DINOv2, AWS SageMaker

Säkerhet

TLS, AES-256-kryptering, MFA

VCS

Git, GitHub

Cloud

AWS

Process

Ett stegvis tillvägagångssätt säkerställde ett smidigt genomförande, från upptäckt (demo av appen för fotosamling och utformning av arbetsflödet) till implementering (mobilutveckling, modellutbildning och installation av infrastruktur) och slutligen fortsatt drift och support (löpande förfining av modellen, kunskapsöverföring och dedikerad support).

Team krävs

Projekt- ledare

Affärsan-alytiker

Angular-utvecklare

UX/UI
Designer

Python
Ingenjörer

Utvecklare
av Flutter

ML-
utvecklare

QA-ingenjör

Resultat

Vi har utvecklat ett ML-driven mobilapp som ger användarna ett snabbt och säkert sätt att bedöma sina hudåkommor. Parallellt med detta skapade vi en app för insamling av foton för att träna och finjustera ML-modellen, som kan upptäcka cirka 30 dermatologiska diagnoser.

Vårt team byggde också en webbaserad administratörspanel som gör det möjligt för klinikadministratörer att hantera innehåll, spåra användning och enkelt hålla alla data uppdaterade.

Framöver har kunden gett vårt team i uppdrag att implementera prenumerationsalternativ och bygga API-åtkomst till modellen för ett nätverk av partnerkliniker. Vi arbetar också med att förbättra de nuvarande funktionerna för att hålla appen så effektiv och användarvänlig som möjligt.

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

Skicka ett röstmeddelande till oss

Bifoga dokument

Ladda upp filen

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

Genom att klicka på Skicka samtycker du till att Innowise behandlar dina personuppgifter enligt våra Integritetspolicy för att förse dig med relevant information. Genom att lämna ditt telefonnummer samtycker du till att vi kan kontakta dig via röstsamtal, SMS och meddelandeappar. Samtals-, meddelande- och datataxor kan gälla.

Du kan också skicka oss din förfrågan

.till contact@innowise.com

Vad händer härnäst?

När vi har tagit emot och behandlat din förfrågan återkommer vi till dig för att beskriva dina projektbehov och undertecknar en NDA för att säkerställa sekretess.

Efter att ha undersökt dina önskemål, behov och förväntningar kommer vårt team att ta fram ett projektförslag förslag med arbetsomfattning, teamstorlek, tids- och kostnadsberäkningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och fastställa detaljerna.

Slutligen undertecknar vi ett kontrakt och börjar arbeta med ditt projekt direkt.