Hva skjedde
Et team ved Hacettepe University, ledet av fakultetsmedlem Olcay Hekimoğlu og støttet av TÜBITAK, utvikler en AI-drevet mobilapplikasjon designet for å identifisere flåttarter fra smarttelefonfotografier. Prosjektet, som er planlagt å gå over tre år, har som mål å gi rask, foreløpig identifisering av flått, spesielt med fokus på arter som Hyalomma marginatum som er kjent for å overføre Krim-Kongo hemorragisk feber (CCHF).
Prosjektet, med tittelen 'En smarttelefonbasert kunstig intelligensmodell for rask, rimelig og tilgjengelig identifisering av flåttarter i Türkiye', er for tiden under utvikling ved Hacettepe University. Teamet bygger en treningsdatabase ved hjelp av pålitelige flåttprøver som er verifisert gjennom både morfologiske egenskaper og DNA-analyse.
AI-modellen blir opplært til å gjenkjenne åtte spesifikke flåttarter, med hovedfokus på Hyalomma marginatum, som er en kjent vektor for CCHF. Applikasjonen er designet for å analysere fotografier av flått som allerede er fjernet fra en menneske- eller dyrevert, da forskerne bemerket at festede flått kan være skjult eller fysisk endret, noe som gjør identifisering vanskelig.
For å sikre at verktøyet er praktisk for bruk i den virkelige verden, tester teamet modellen på tvers av ulike smarttelefonenheter og lysforhold. Applikasjonen er også konstruert for å fungere offline, noe som er en kritisk funksjon for brukere i landlige eller avsidesliggende områder der internettilgang ikke er garantert.
Systemet inkluderer en sikkerhetsmekanisme: hvis et innsendt fotografi er for uskarpt eller utilstrekkelig for en nøyaktig identifikasjon, programmeres AI til å be om et nytt bilde eller råde brukeren til å søke ekspertvurdering i stedet for å gi et tvunget, potensielt feil resultat.
Kildedetaljer: dailysabah.com ↗
Hvorfor det betyr noe
Dette prosjektet tar for seg en betydelig folkehelseutfordring i Türkiye, hvor CCHF har resultert i over 17 000 tilfeller og hundrevis av dødsfall siden 2002. Ved å tilby et rimelig, tilgjengelig verktøy for bønder, helsepersonell og allmennheten, har forskerne som mål å forbedre tidlig identifisering av sykdomsbærende flått. Systemet er designet for å fungere offline, og sikrer nytte i landlige områder hvor internettforbindelse ofte er begrenset. Videre legger prosjektet vekt på pålitelighet i den virkelige verden ved å trene modellen på forskjellige bilder av høy kvalitet og teste den under varierte lys- og miljøforhold, i stedet for kun å stole på laboratoriekvalitetsdata. Denne tilnærmingen kan i betydelig grad øke offentlig bevissthet og datainnsamling angående flåttdistribusjon.
Det primære folkehelsemålet er å tilby et raskt, tilgjengelig foreløpig identifiseringsverktøy for flått, som er en vedvarende helsetrussel i Türkiye. Ved å gjøre det mulig for brukere å identifisere potensielle sykdomsvektorer raskt, har prosjektet som mål å bidra til bredere vitenskapelig data om flåttspredning og folkehelsesikkerhet.
Prosjektet utmerker seg ved å prioritere ytelse i den virkelige verden fremfor nøyaktighet bare i laboratoriet. Ved å trene modellen på forskjellige, feltfangede bilder og sikre offline funksjonalitet, adresserer forskerne de praktiske begrensningene som ofte finnes i AI-baserte diagnoseverktøy.
Forskerne har avklart at verktøyet ikke er en erstatning for profesjonell medisinsk diagnose. I stedet fungerer det som et informasjonshjelpemiddel for å hjelpe enkeltpersoner og helsepersonell med å ta mer informerte beslutninger om potensiell eksponering for flåttbårne sykdommer.
Interaktiv mekanisme: Hvordan det faktisk fungerer
Utforsk den underliggende teknologien bak denne utviklingen interaktivt.
Which component of an AI application is the machine-learning model itself?
Hva du skal se neste
Prosjektet er for tiden i en treårig utviklingsfase. Fremtidige milepæler inkluderer opprettelsen av en omfattende, verifisert database over flåttarter ved bruk av morfologiske og DNA-bekreftede prøver, etterfulgt av strenge tester i både kontrollerte og feltmiljøer. Forskerne har eksplisitt uttalt at verktøyet ikke vil gi medisinske diagnoser, og det gjenstår å se hvordan den endelige søknaden vil bli distribuert til offentligheten eller integrert i eksisterende helseovervåkingssystemer.
Prosjektet er planlagt for en varighet på tre år. I løpet av denne tiden vil teamet fortsette å avgrense AI-modellen og utvide databasen til å inkludere flere flåttarter i fremtidige versjoner.
Offentlig tilgjengelighet og tilgangsvilkår for applikasjonen er ennå ikke fastsatt, da prosjektet fortsatt er i utviklings- og testfasen.
Effektiviteten til AI under virkelige feltforhold er fortsatt en nøkkelmåling å overvåke når forskerne går fra databaseoppretting til bredere testing.