ترجمه فارسی مقاله انتقال سیستم های پشتیبانی از AI مراقبت های بهداشتی برای بیماریهای قابل تشخیص بینایی بر روی دستگاههای محدود

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی تصویر معمولاً نیاز به اتصال و دسترسی به ابر دارد که اغلب در بسیاری از نقاط جهان محدود است ، از جمله رسیدن به مناطق روستایی.Tinyml قصد دارد با میزبانی دستیاران هوش مصنوعی در دستگاه های محدود ، از بین بردن مشکلات اتصال با پردازش داده ها در داخل دستگاه ، بدون دسترسی به اینترنت یا ابر ، این مشکل را حل کند.این مطالعه مقدماتی به بررسی استفاده از tinyml برای ارائه پشتیبانی از مراقبت های بهداشتی با دستگاه های مشخص در محیط های کم اتصال ، با تمرکز بر تشخیص بیماری های پوستی و استفاده اخلاقی از دستیاران هوش مصنوعی در یک محیط مراقبت های بهداشتی می پردازد.برای بررسی این موضوع ، از 10،000 تصویر از ضایعات پوستی برای آموزش یک مدل برای طبقه بندی بیماری های قابل تشخیص بصری (VDD) استفاده شده است.وزن مدل سپس به یک تمشک Pi با یک وب کم وصل شده ، برای طبقه بندی ضایعات پوستی بدون دسترسی به اینترنت استفاده می شود.مشخص شد که نمونه اولیه توسعه یافته به دقت آزمایش 78 ٪ و از دست دادن آزمایش 1.08 رسیده است.