Kunde

Wir wurden von einem Unternehmen aus der Gesundheitsbranche in den USA kontaktiert, das sich auf die Verbesserung der Zahnpflege konzentriert. Sie suchten jemanden, der ihnen bei der Entwicklung eines auf maschinellem Lernen basierenden Zahnerkennungstools hilft.

Projektbeschreibung

Unsere Kunden suchten einen Algorithmus für zukünftige Anwendungen in der Telemedizin. Sie baten um ein Zahnerkennungstool, das es Nutzern ermöglicht, anhand von Fotos des Patienten die Zähne, ihren Zustand oder fehlende Zähne zu identifizieren.

Unsere Aufgabe war es, eine App mit einer einfachen und intuitiven Benutzeroberfläche zu entwickeln. Im Endprodukt sollen die Endnutzer in der Lage sein:

• ein Foto in das System hochzuladen;
• die gewünschte Aufgabe auszuwählen, bestehende oder fehlende Zähne zu finden;
• einen zusätzlichen Kurzbericht zu erhalten, der das Foto ergänzt.

Herausforderungen

Die anfängliche Anfrage an unser Unternehmen umfasste folgende Anforderungen:

• Das Entwicklungsteam sollte über ausreichende Erfahrung in den Bereichen maschinelles Lernen, Datenwissenschaft und Datenanalyse verfügen;
• Wir mussten über Erfahrung im Gesundheitswesen im Allgemeinen und im Bereich der Computer Vision im Besonderen verfügen;
• Wir sollten eine hohe Genauigkeit des Algorithmus bei der Objekterkennung erreichen;
• Die Fehlentscheidungen des ML-Algorithmus minimieren;
• Relevante und ausreichende Daten für das Training und Testen des Modells sammeln, damit das Modell hohe Genauigkeitsraten erzielen kann.

Prozess

Wir arbeiteten an einem ML-Algorithmus, daher war der gesamte Prozess nicht sehr zeitaufwendig, aber die Implementierung von Algorithmen nimmt immer viel Zeit in Anspruch. Hier ist der Zeitplan, den wir für das Projekt hatten:

Phase 1: Verhandlungen mit dem Kunden. 1 Woche

Phase 2: Fachrecherche. 3 Tage

Phase 3: Implementierung des Algorithmus, Modelltraining. 2 Wochen:

Datensammlung: Sammeln eines vielfältigen Datensatzes von Bildern, die Zähne enthalten. Diese Bilder decken eine breite Palette von Variationen ab, wie z. B. Zahntypen, Farben, Formen und Winkel.

Datenannotation: Annotation der gesammelten Bilder mit Begrenzungsrahmen um die Zähne.

Training des YOLO-Modells: Verwenden des annotierten Datensatzes, um das YOLO-Modell zu trainieren.

Phase 4: Testen, Bewerten und Bereitstellen des Modells, Berechnung der Metriken. 1 Woche:

Bewertung: Nach dem Training wird das trainierte Modell mit einem separaten Testdatensatz überprüft.

Bereitstellung: Das Modell wird bereitgestellt, um Zähne und fehlende Zähne in neuen Bildern oder Videos zu erkennen.

Lösung

Unser Team war bereits mit diesem Ansatz vertraut, da unser Unternehmen ähnliche Erfahrungen in diesem Bereich hatte.

Die Erkennung von Zähnen sowie beschädigten und fehlenden Zähnen mittels Computer Vision.

1) Früherkennung:

Automatische Erkennungstechnologie hilft bei der Früherkennung von Zahnproblemen wie Karies, Rissen oder strukturellen Schäden. Früherkennung ermöglicht eine rechtzeitige Intervention und Behandlung, wodurch das Fortschreiten von Zahnproblemen verhindert wird.

2) Genauigkeit:

Automatisierte Erkennungssysteme bieten eine höhere Genauigkeit bei der Identifizierung von beschädigten oder fehlenden Zähnen im Vergleich zur manuellen Untersuchung, was die Wahrscheinlichkeit von Fehlern oder menschlichem Versagen reduziert.

3) Behandlungsplanung:

Durch die präzise Erkennung von beschädigten oder fehlenden Zähnen können Zahnärzte genauere und individuellere Behandlungspläne für ihre Patienten erstellen und spezifische Zahnprobleme effektiver angehen.

4) Kostenersparnis:

Die Automatisierung der Zahnerkennung kann den zahnärztlichen Untersuchungsprozess optimieren, was sowohl für Patienten als auch für Zahnärzte Zeit spart. Außerdem kann die frühzeitige Erkennung von Zahnproblemen kostspielige und aufwändige Behandlungen in der Zukunft verhindern.

5) Verbesserte Patientenerfahrung:

Dank der automatisierten Erkennung erleben Patienten effizientere und angenehmere Zahnuntersuchungen sowie gezieltere und effektivere Behandlungen, was zu einer insgesamt verbesserten Patientenzufriedenheit führt.

Ergebnisse

Eine der großen Herausforderungen bestand darin, ausreichende relevante Daten für das Training und Testen des Modells zu sammeln, damit es hohe Genauigkeitsraten erzielen konnte. Wir haben es geschafft, dies zu erreichen, sodass der Algorithmus bereit ist, in zukünftige Lösungen implementiert zu werden, sei es als mobile oder Web-App für die Kommunikation zwischen Zahnärzten und ihren Patienten.

Das Projekt ist abgeschlossen, kann aber wie folgt erweitert werden:

• Die Genauigkeit der Modelle kann durch die Erhöhung der Datenmenge sowie durch eine längere Trainingszeit des Modells weiter verbessert werden.
• Zusätzliche Funktionen wie die Erkennung von beschädigten Zähnen, Zähnen, die anfällig für Karies sind, und Zahnverschiebungen könnten potenziell implementiert werden.

Wir warten darauf, dass unser Kunde den weiteren Weg mit dem Algorithmus festlegt, da wir Erfahrung in der Implementierung in Softwarelösungen haben.