基于深度学习方法用于自动医疗诊断的低成本设备原型

本文介绍一种新颖的低成本设备原型，用于利用输入的症状与个人背景自动诊断疾病。其工程目标是以单一设备解决医疗保健可及性有限的问题。由于疾病属性与症状的多变性，自动诊断疾病是一项巨大挑战。另一方面，神经网络已发展为机器学习领域的强大工具，即便变量不一致，也显示出在计算诊断方面极具前景。本研究中，制造了一款廉价设备，以实现人类疾病的直接诊断与治疗。通过利用部署于树莓派Zero处理器（$5）上的深度神经网络（DNNs）与卷积神经网络（CNNs），该设备能够检测多达1537种不同的疾病与病症，并采用CNN进行设备端视觉诊断。用户可使用设备上的按钮输入症状，并可通过同一机制拍照。算法处理输入症状，为常见病症提供诊断与可能的治疗选项。本工作的目的是以高准确度通过负担得起的处理器诊断疾病，目前其在基于症状的前5诊断中达到90%的准确度，在视觉皮肤疾病中达到91%。这些神经网络性能远超任何其他被测系统，其效率与易用性将证明它是全球人士的有用工具。该设备有望提供低成本的通用关键诊断与治疗选项接入。