Moving Healthcare AI-Support Systems for Visually Detectable Diseases onto Constrained Devices

要約

画像分類には通常、クラウドへの接続とアクセスが必要ですが、アクセスが困難な農村地域など、世界の多くの地域ではクラウドへのアクセスが制限されていることがよくあります。
TinyML は、制約のあるデバイス上で AI アシスタントをホストし、インターネットやクラウドにアクセスせずにデバイス自体内でデータを処理することで接続の問題を排除することで、この問題を解決することを目指しています。
このパイロット研究では、皮膚疾患の診断と医療現場での AI アシスタントの倫理的な使用に焦点を当て、低接続環境で低スペックのデバイスで医療サポートを提供する tinyML の使用を検討します。
これを調査するために、皮膚病変の 10,000 枚の画像を使用して、視覚的に検出可能な疾患 (VDD) を分類するためのモデルをトレーニングしました。
次に、モデルの重みは、ウェブカメラが接続された Raspberry Pi にオフロードされ、インターネットにアクセスせずに皮膚病変の分類に使用されました。
開発したプロトタイプは、テスト精度 78%、テスト損失 1.08 を達成したことがわかりました。

要約(オリジナル)

Image classification usually requires connectivity and access to the cloud which is often limited in many parts of the world, including hard to reach rural areas. TinyML aims to solve this problem by hosting AI assistants on constrained devices, eliminating connectivity issues by processing data within the device itself, without internet or cloud access. This pilot study explores the use of tinyML to provide healthcare support with low spec devices in low connectivity environments, focusing on diagnosis of skin diseases and the ethical use of AI assistants in a healthcare setting. To investigate this, 10,000 images of skin lesions were used to train a model for classifying visually detectable diseases (VDDs). The model weights were then offloaded to a Raspberry Pi with a webcam attached, to be used for the classification of skin lesions without internet access. It was found that the developed prototype achieved a test accuracy of 78% and a test loss of 1.08.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google