人工知能ベースの自律型ソケット提案プログラム: Socket Design Experiences

作成が計画されている人工知能ベースのソフトウェアでは、すべての患者の断端が Artec Eva Lite ブランドの 3D スキャナーでスキャンされました。 スキャンしたパターンは点群として保存されました。 同じ患者が使用するプロテーゼのソケット部分も同じスキャナー装置でスキャンされ、記録されました。

患者から得られた切り株とソケットの一致からなるポイントデータセットがソフトウェアに使用されました。

人工知能モデルをトレーニングするために、コンピューター上で人工知能ライブラリとツールを使用できる作業環境が作成されました。 この目的のために、最初の Anaconda データ サイエンス プラットフォームが確立されました。 そこで、プログラミング言語の Python と Tensorflow 深層学習ライブラリをインストールし、その他人工知能モデルの学習に必要なライブラリを追加し、動作環境を整えました。 データのトレーニング用に開発された人工知能モデルでは、ディープ ラーニング アルゴリズムが使用されました。 最も最新で人気のある人工知能アルゴリズムの 1 つであるディープ ラーニングを使用する目的は、パフォーマンスと精度を向上させることによって、より正確な結果を達成することです。 まず、データセットはトレーニング用に 90%、テスト用に 10% 予約されています。 次に、Keras ライブラリから選択された Sequantial() モデルを使用してディープ ラーニング モデルが作成されました。 このモデルでは、合計 7 つのレイヤーが使用されます。最初のレイヤーが入力レイヤーで、最後のレイヤーが出力レイヤーです。 入力層と中間層の活性化関数として「relu」を使用するのに対し、出力層には「linear」関数を使用します。 モデルの作成中、「Adam」がオプティマイザとして選択されました。 合計 500 回の「反復」でトレーニングされたモデルでは、「バッチ サイズ」は 5 として割り当てられます。 次に、トレーニング済みのモデルをテスト データでテストしたところ、61% の成功率が達成されました。 その後、モデルと重量が記録されました。 モデルのトレーニングが完了した後、新しい Python プログラムが開発されました。 以前に開発されたモデルと重みは、プログラムの実行中に読み込まれ、与えられる新しいダイ データのソケットを提案するために使用されました。 プログラムが実行されると、ソケットが要求されている切り株の名前が尋ねられます。

したがって、プログラムは、ユーザーからスタビー データ セットを受け取り、トレーニング済みモデルでテストした後、新しいソケットを提案します。 この 3D ソケット モデルは、Python Plotly Graphics Library を介してユーザーに表示されます。