Изменить мир к лучшему — это то, к чему я стремлюсь. Одна из моих целей в жизни — создать что-то, что может изменить жизнь. Это может быть в медицине, школах или в обществе.
В возрасте 16 лет я наконец создал что-то, что может изменить жизнь. Модель для выявления рака кожи в недостаточно представленных сообществах, где специализированное здравоохранение труднодоступно. Пациент мог обратиться к своему терапевту, который мог просканировать вызывающее беспокойство поражение, чтобы определить, нужно ли его дополнительно осматривать и делать биопсию дерматологу.
Я начал с использования Teachable Machines для создания модели машинного обучения, которая была обучена четырем типам кожных заболеваний: базальноклеточная карцинома, плоскоклеточная карцинома, меланома и доброкачественные кератозоподобные поражения. Я нашел набор данных в Google Dataset Search Engine, который был деидентифицирован и не имел никакой связи с именами. Я тренировал свою модель на этих изображениях на 50, 100, 200, 300, 400 и 500 эпохах.
Самый высокий результат для базально-клеточной карциномы составил 85,12% на 300 эпохах.
Самый высокий результат для плоскоклеточной карциномы составил 78,9% на 400 эпохах.
Самый высокий результат для меланомы составил 86,78% на 200 эпохах.
Самый высокий результат для доброкачественных кератозоподобных поражений составил 47,76% на 400 эпохах. Этот результат был значительно ниже из-за того, что многие доброкачественные образования имеют сходные характеристики с раковыми. Однако лучше диагностировать доброкачественное образование как раковое, чем наоборот.
В целом, моя модель имела наилучшую точность при 300 эпохах с точностью 69,33%. Это число было уменьшено из-за того, что доброкачественные кератозоподобные поражения имели довольно низкую точность. Тем не менее, 69% все еще достаточно высоки, чтобы у врача была причина дать пациенту направление к дерматологу.
Созданная мной модель чрезвычайно перспективна для медицинского сообщества, особенно для тех, кто обслуживает малопредставленные сообщества. Я планирую продолжать улучшать этот проект по мере публикации новых наборов данных и продолжать обучать и тестировать свою модель для достижения максимально возможных результатов.
