Scan de diagnostic de la langue et des yeux piloté par l'IA : Intégration de Microsoft Custom Vision et AI Foundry dans un système de surveillance holistique de la santé

Table des matières

AI tongue eye diagnostics myzencheck customvision foundry

Cette étude présente une solution de diagnostic de santé alimentée par l'IA, développée par MyZenCheck, qui intègre le diagnostic de la langue et l'analyse des yeux sur la base des principes de la médecine traditionnelle chinoise (MTC). En utilisant Custom Vision de Microsoft pour la segmentation des images et les agents AI Foundry pour le traitement et le diagnostic intelligents, la plateforme démontre comment les outils modernes d'IA peuvent améliorer la connaissance de la santé personnelle. Le système offre aux utilisateurs un retour d'information en temps réel via des applications mobiles, créant ainsi un pont entre les diagnostics anciens et l'apprentissage automatique moderne.

1. Introduction

Historique des diagnostics de la MTC
Limites des méthodes traditionnelles (subjectivité, manque d'évolutivité)
L'essor de l'IA dans la surveillance de la santé
Objectif : Développer et tester une plateforme de diagnostic basée sur l'IA à l'aide des outils Microsoft et de la méthodologie TCM.

2. Architecture du système

2.1. Collecte de données via l'application MyZenCheck

Images de la langue et des yeux collectées par le biais d'applications mobiles
Stockage sécurisé dans le nuage avec anonymisation
Les données de l'enquête facultative sur la santé sont incluses pour une meilleure précision contextuelle.

2.2. Segmentation d'images à l'aide de Microsoft Custom Vision

Modèle de vision personnalisé formé pour identifier les principales caractéristiques visuelles (par exemple, les fissures, la couleur, le revêtement, la taille de la pupille).
Classification du projet : Détection d'objets pour la segmentation et l'étiquetage
Jeu de données : 500 images

2.3. Analyse par l'intermédiaire d'agents de la fonderie d'IA

Agents construits à l'aide de la logique Azure AI Foundry
Tâches : Extraction de caractéristiques → Correspondance de motifs → Logique de diagnostic basée sur la MCT
Raisonnement en plusieurs étapes et génération de conseils personnalisés

3. La méthodologie

Étapes du prétraitement de l'image
Stratégie de formation et indicateurs de performance dans Custom Vision
Modèles basés sur des règles et modèles probabilistes au sein des agents AI Foundry
Validation croisée et test de la précision du diagnostic

4. Les résultats

4.1. Précision de la segmentation

Précision/rappel des caractéristiques de la langue, des marqueurs oculaires
Matrice de confusion pour les résultats diagnostiques courants
Comparaison avec l'annotation manuelle par des experts en MTC

4.2. Pertinence du diagnostic

Score d'accord avec les praticiens experts en MTC
Études de cas : Déséquilibre hormonal, problèmes de digestion, détection du stress

5. Débat

Avantages : Évolutivité, rentabilité, objectivité
Défis : Variabilité de l'éclairage, conformité de l'utilisateur, interprétabilité
Limites : Ne remplace pas une consultation médicale

6. Conclusion et travaux futurs

Résumé des performances en matière de diagnostic
Feuille de route pour l'intégration : Recommandations en temps réel, expansion multilingue
Orientation de la recherche : Combiner les données de la langue et de l'œil pour une plus grande précision