Case Study · Medyczny AI · Computer Vision
Jak zautomatyzowaliśmy analizę zdjęć w diagnostyce trychologicznej – precyzyjne wsparcie specjalistów, pełna prywatność danych
Zmierzalne efekty w stosunku do manualnej analizy przez specjalistów
Pipeline zastosowany w projekcie
Klient z sektora medycznego (klinika trychologiczna) potrzebował wsparcia w ocenie stanu skóry głowy na podstawie zdjęć wykonywanych specjalistycznym sprzętem dermatoskopowym. Manualna analiza była czasochłonna i subiektywna – wyniki różniły się w zależności od doświadczenia specjalisty i jego aktualnego obciążenia pracą.
Potrzebne było rozwiązanie zapewniające: powtarzalną i szybką klasyfikację typów zmian (łojotok, łupież, stany zapalne, łysienie, inne), możliwość śledzenia postępów leczenia w czasie, pełną prywatność danych pacjentów (brak możliwości wysyłki poza placówkę) i integrację z istniejącym systemem zarządzania kliniką.
Zbudowaliśmy kompletny pipeline oparty o Computer Vision i Deep Learning: automatyczny preprocessing zdjęć (normalizacja jasności, augmentacja danych – obroty, flipping, skalowanie), dedykowana architektura sieci konwolucyjnej (CNN) dopasowana do rozdzielczości i charakteru zdjęć dermatoskopowych oraz trening na oznaczonym zbiorze zdjęć skóry głowy dostarczonym przez klienta wraz z eksperckimi etykietami.
Model działa wyłącznie lokalnie na serwerze klienta – dane medyczne pacjentów nie są wysyłane do żadnych zewnętrznych serwisów ani API. Zaimplementowaliśmy API do integracji z systemem zarządzania kliniką (HIS/PACS). System śledzi postępy pacjenta w czasie – porównuje wyniki kolejnych wizyt i wizualizuje zmiany.
System osiągnął wysoką precyzję klasyfikacji (powyżej 94%) w stosunku do eksperckich etykiet, przy 10-krotnym skróceniu czasu analizy pojedynczego przypadku względem manualnej oceny. Specjaliści korzystają z wyników AI jako pierwszego triage'u – mogą skupić się na przypadkach wymagających pogłębionej analizy.
Klient otrzymał pełną własność kodu źródłowego i wytrenowanego modelu oraz kompletną dokumentację wdrożeniową. System jest niezależny od StructaAI – klient może go utrzymywać i rozwijać samodzielnie lub z pomocą swojego działu IT.
Ten sam pipeline CNN sprawdza się w dermatologii, radiologii, kontroli jakości w produkcji, inspekcji budowlanej i wszędzie tam, gdzie mamy powtarzalne zdjęcia do klasyfikacji
Wdrożenie on-premise lub w izolowanej chmurze klienta – pełna kontrola nad danymi wrażliwymi i zgodność z wymaganiami RODO, NFZ i innymi regulacjami branżowymi
Klient nie jest uzależniony od naszego API ani modelu w chmurze. Rozwój i utrzymanie modelu pozostają po jego stronie, przy pełnym wsparciu StructaAI w razie potrzeby
