基于TinyML的轻量级人工智能医疗移动聊天机器人部署

论文标题：TinyML-Based Lightweight AI Healthcare Mobile Chatbot Deployment（基于TinyML的轻量级人工智能医疗移动聊天机器人部署）

作者信息：Anita Christaline Johnvictor, M Poonkodi, N Prem Sankar & Thinesh VS

• Anita Christaline Johnvictor 和 M Poonkodi 来自印度泰米尔纳德邦金奈的韦洛尔理工学院计算机科学与工程学院。
• N Prem Sankar 同样来自韦洛尔理工学院计算机科学与工程学院。
• Thinesh VS 来自印度班加罗尔的Arista Networks Pvt Ltd。

论文出处：Journal of Multidisciplinary Healthcare（多学科医疗杂志），DOI: 10.2147/JMDH.S483247，发表日期：2024年11月8日。

主要内容：

引言： 论文讨论了人工智能（AI）在医疗保健应用中的创新，旨在改善患者互动和护理，提高患者满意度。AI在医疗领域的发展显著影响了护理、辅助管理、医疗诊断等关键医疗程序。然而，许多AI解决方案在线运行，存在患者数据安全风险。为了解决这些安全问题并确保快速操作，本研究开发了一款针对医院环境的聊天机器人，它在本地服务器上运行，并使用TinyML处理患者数据。

研究目的： 研究的目的是开发一款在医院环境中运行的聊天机器人，它能够在本地处理数据，以提高数据安全性和操作速度。

患者和方法： 研究利用边缘计算技术实现安全现场数据处理。实施包括使用基于直方图梯度（HOG）分类的患者识别，以及基本的患者护理任务，如体温测量和人口统计记录。

结果： 患者检测的分类准确率达到了95.8%。一个配备医疗级红外温度扫描仪的自主温度感应单元能够检测和记录患者体温。在体温评估之后，由TinyML驱动的聊天机器人会与患者进行一系列由医生定制的问题交流，以训练模型进行诊断场景。患者的回答以“是”或“否”的形式记录，并打印在他们的病历表中。TinyML模型的准确率为95.3%，设备上的处理时间为217毫秒。实现的TinyML模型仅使用8.8Kb RAM和50.3Kb Flash内存，延迟仅为4毫秒。

结论： 每个患者都被分配了一个唯一ID，他们的数据被安全存储以供进一步咨询和诊断。这项研究表明，与现有的基于AI的医疗解决方案相比，该研究展示了更快的患者数据记录和更高的安全性，因为所有过程都在本地主机上进行。

关键词： 边缘计算、医疗保健、HOG描述符、辅助管理、自主机器人

文献综述： 文献综述部分讨论了AI技术如何影响个人的生活方式和医疗保健质量，以及AI在医疗诊断中的革命性作用，如Mayo Clinic使用AI进行宫颈癌筛查。此外，还探讨了AI在护理和管理协助中的应用，以及AI聊天机器人在减轻护士工作负担方面的潜力。

提出的语音基础AI聊天机器人： 本节提出了使用TinyML基础边缘计算实现聊天机器人的想法，该聊天机器人在医院环境中问候患者，并内置温度感应模块。聊天机器人询问一系列与患者症状相关的问题，并根据患者的回答记录症状细节，为医生创建基本的病历表。

TinyML基础聊天机器人的原因： TinyML属于边缘AI的范畴，它利用边缘计算的优势，在本地而不是云端执行计算。这种方法提供了低延迟、节省带宽成本、提高可靠性和增强安全性等优点。

实施： 实施包括三个阶段：患者面部识别、温度感应和聊天机器人。硬件包括带有内置MEMS麦克风和TinyML支持的ARM Cortex M4微控制器板（Arduino Nano 33 BLE sense）。聊天机器人的大部分问题需要患者回答“是”或“否”。模型被训练以识别这些关键词。

结果： 论文详细描述了面部识别、温度测量和聊天机器人操作的三个阶段的结果。面部识别准确率在90.4%到95.8%之间，温度测量单元在误差校正后，与医疗级红外温度扫描仪相比，误差约为3.8°F。聊天机器人处理语音信号的准确率为95.3%，损失为0.20。

讨论： 讨论部分强调了本研究实现的语音基础AI聊天机器人在边缘设备上运行，因此能够最大程度地保护患者信息的安全性。与其他在线健康助手聊天机器人相比，它们缺乏患者数据的秘密性。论文还比较了本研究工作与现有研究工作在电子医疗保健领域的性能。

伦理和同意声明： 由于本研究工作仅涉及聊天机器人，没有进行任何侵入性程序，因此免除了机构审查委员会的批准。参与者在机构的健康中心参与聊天的书面同意已获得。