Programa de propuesta de sockets autónomos basados ​​en inteligencia artificial: Experiencias de diseño de sockets

Para el software basado en inteligencia artificial que se planeó crear, se escanearon los muñones de todos los pacientes con el escáner 3D de la marca Artec Eva Lite. Los patrones escaneados se guardaron como nubes de puntos. Las partes del encaje de las prótesis utilizadas por los mismos pacientes también se escanearon con el mismo dispositivo de escáner y se registraron.

El conjunto de datos de puntos que consta de coincidencias de muñón y cavidad obtenidas de los pacientes se utilizó para el software.

Para entrenar el modelo de inteligencia artificial se ha creado un entorno de trabajo en el que se pueden utilizar bibliotecas y herramientas de inteligencia artificial en el ordenador. Para este propósito, se estableció la primera plataforma de ciencia de datos Anaconda. Acto seguido, se instaló el lenguaje de programación Python y la biblioteca de aprendizaje profundo Tensorflow, se agregaron otras bibliotecas necesarias para el entrenamiento del modelo de inteligencia artificial y se preparó el entorno de trabajo. Se utilizó un algoritmo de aprendizaje profundo en el modelo de inteligencia artificial desarrollado para entrenar los datos. El propósito de usar el aprendizaje profundo, que es uno de los algoritmos de inteligencia artificial más actualizados y populares, es lograr resultados más precisos al aumentar el rendimiento y la tasa de precisión. Primero, el conjunto de datos está reservado en un 90 % para entrenamiento y en un 10 % para pruebas. Luego, se creó un modelo de aprendizaje profundo con el modelo Sequantial() seleccionado de la biblioteca de Keras. En el modelo se utilizan un total de 7 capas, la primera de las cuales es la capa de entrada y la última es la capa de salida. Mientras que "relu" se usa como función de activación para la capa de entrada y las capas intermedias, la función "lineal" se usa para la capa de salida. Al crear el modelo, se eligió a "Adam" como optimizador. En el modelo entrenado con un total de 500 "repeticiones", el "tamaño de lote" se asigna como 5. Luego, el modelo entrenado se probó con los datos de prueba y se logró una tasa de éxito del 61 %. Posteriormente, se registró el modelo y los pesos. Una vez que se completó el entrenamiento del modelo, se desarrolló un nuevo programa de Python. Los modelos y pesos previamente desarrollados se cargaron mientras el programa estaba en ejecución y se usaron para proponer un encaje para dar los nuevos datos del troquel. Cuando se ejecuta el programa, se pregunta el nombre del stump para el que se solicita un socket.

Por lo tanto, el programa propone un nuevo socket después de recibir el conjunto de datos stubby del usuario y probarlo en el modelo entrenado. Este modelo de socket 3D se muestra al usuario a través de la biblioteca de gráficos Python Plotly.