Η Chronomics εντοπίζει τα αποτελέσματα των δοκιμών COVID-19 με προσαρμοσμένες ετικέτες αναγνώρισης της Amazon

Χρονολογικά είναι μια εταιρεία τεχνολογικής βιοτεχνίας που χρησιμοποιεί βιοδείκτες - μετρήσιμες πληροφορίες που λαμβάνονται από την ανάλυση μορίων - παράλληλα με την τεχνολογία για να εκδημοκρατίσει τη χρήση της επιστήμης και των δεδομένων για τη βελτίωση της ζωής των ανθρώπων. Ο στόχος τους είναι να αναλύσουν βιολογικά δείγματα και να δώσουν χρήσιμες πληροφορίες για να σας βοηθήσουν να λάβετε αποφάσεις—για οτιδήποτε είναι σημαντικό να γνωρίζετε περισσότερα για το αόρατο. Η πλατφόρμα της Chronomics επιτρέπει στους παρόχους να εφαρμόζουν απρόσκοπτα διαγνωστικά στο σπίτι σε κλίμακα — όλα αυτά χωρίς να θυσιάζεται η αποτελεσματικότητα ή η ακρίβεια. Έχει ήδη επεξεργαστεί εκατομμύρια δοκιμές μέσω αυτής της πλατφόρμας και προσφέρει μια διαγνωστική εμπειρία υψηλής ποιότητας.

Κατά τη διάρκεια της πανδημίας COVID-19, η Chronomics πούλησε τεστ πλευρικής ροής (LFT) για την ανίχνευση του COVID-19. Οι χρήστες καταχωρούν το τεστ στην πλατφόρμα ανεβάζοντας μια εικόνα της κασέτας και εισάγοντας μια χειροκίνητη ανάγνωση του τεστ (θετικό, αρνητικό ή άκυρο). Με την αύξηση του αριθμού των δοκιμών και των χρηστών, έγινε γρήγορα μη πρακτικό να επαληθεύσουμε με μη αυτόματο τρόπο εάν το αναφερόμενο αποτέλεσμα ταιριάζει με το αποτέλεσμα στην εικόνα της δοκιμής. Η Chronomics ήθελε να δημιουργήσει μια επεκτάσιμη λύση που χρησιμοποιεί την όραση υπολογιστή για την επαλήθευση των αποτελεσμάτων.

Σε αυτήν την ανάρτηση, μοιραζόμαστε πώς χρησιμοποιούσε το Chronomics Αναγνώριση Amazon για να ανιχνεύσει αυτόματα τα αποτελέσματα μιας δοκιμής πλευρικής ροής COVID-19.

Προετοιμασία των δεδομένων

Η παρακάτω εικόνα δείχνει την εικόνα μιας δοκιμαστικής κασέτας που ανέβηκε από έναν χρήστη. Το σύνολο δεδομένων αποτελείται από εικόνες όπως αυτή. Αυτές οι εικόνες πρέπει να ταξινομηθούν ως θετικές, αρνητικές ή άκυρες, που αντιστοιχούν στο αποτέλεσμα ενός τεστ COVID-19.

Οι κύριες προκλήσεις με το σύνολο δεδομένων ήταν οι ακόλουθες:

• Μη ισορροπημένο σύνολο δεδομένων – Το σύνολο δεδομένων ήταν εξαιρετικά λοξό. Πάνω από το 90% των δειγμάτων ήταν από την αρνητική κατηγορία.
• Αναξιόπιστες εισροές χρηστών – Οι αναγνώσεις που αναφέρθηκαν χειροκίνητα από τους χρήστες δεν ήταν αξιόπιστες. Περίπου το 40% των μετρήσεων δεν ταίριαζε με το πραγματικό αποτέλεσμα από την εικόνα.

Για να δημιουργήσουν ένα σύνολο δεδομένων εκπαίδευσης υψηλής ποιότητας, οι μηχανικοί της Chronomics αποφάσισαν να ακολουθήσουν αυτά τα βήματα:

• Χειροκίνητος σχολιασμός – Επιλέξτε και επισημάνετε με μη αυτόματο τρόπο 1,000 εικόνες για να διασφαλίσετε ότι οι τρεις κατηγορίες αντιπροσωπεύονται ομοιόμορφα
• Αύξηση εικόνας – Αυξήστε τις εικόνες με ετικέτα για να αυξήσετε τον αριθμό σε 10,000

Η αύξηση της εικόνας πραγματοποιήθηκε χρησιμοποιώντας Λεύκωμα, μια βιβλιοθήκη Python ανοιχτού κώδικα. Ένας αριθμός μετασχηματισμών, όπως η περιστροφή, η αλλαγή κλίμακας και η φωτεινότητα πραγματοποιήθηκαν για τη δημιουργία 9,000 συνθετικών εικόνων. Αυτές οι συνθετικές εικόνες προστέθηκαν στις αρχικές εικόνες για να δημιουργήσουν ένα σύνολο δεδομένων υψηλής ποιότητας.

Δημιουργία προσαρμοσμένου μοντέλου υπολογιστικής όρασης με το Amazon Rekognition

Οι μηχανικοί της Chronomics στράφηκαν προς Προσαρμοσμένες ετικέτες αναγνώρισης Amazon, χαρακτηριστικό του Amazon Rekognition με δυνατότητες AutoML. Αφού παρέχονται εικόνες εκπαίδευσης, μπορεί να φορτώσει και να επιθεωρήσει αυτόματα τα δεδομένα, να επιλέξει τους σωστούς αλγόριθμους, να εκπαιδεύσει ένα μοντέλο και να παρέχει μετρήσεις απόδοσης μοντέλου. Αυτό επιταχύνει σημαντικά τη διαδικασία εκπαίδευσης και ανάπτυξης ενός μοντέλου υπολογιστικής όρασης, καθιστώντας τον κύριο λόγο για την Chronomics να υιοθετήσει το Amazon Rekognition. Με το Amazon Rekognition, μπορέσαμε να αποκτήσουμε ένα μοντέλο υψηλής ακρίβειας σε 3-4 εβδομάδες, σε αντίθεση με το να ξοδέψουμε 4 μήνες προσπαθώντας να δημιουργήσουμε ένα προσαρμοσμένο μοντέλο για να επιτύχουμε την επιθυμητή απόδοση.

Το παρακάτω διάγραμμα απεικονίζει τον αγωγό εκπαίδευσης του μοντέλου. Οι σχολιασμένες εικόνες υποβλήθηκαν αρχικά σε προεπεξεργασία χρησιμοποιώντας ένα AWS Lambda λειτουργία. Αυτό το βήμα προεπεξεργασίας εξασφάλισε ότι οι εικόνες ήταν στην κατάλληλη μορφή αρχείου και εκτέλεσε επίσης ορισμένα πρόσθετα βήματα, όπως αλλαγή μεγέθους της εικόνας και μετατροπή της εικόνας από RGB σε κλίμακα του γκρι. Παρατηρήθηκε ότι αυτό βελτίωσε την απόδοση του μοντέλου.

Αφού το μοντέλο έχει εκπαιδευτεί, μπορεί να αναπτυχθεί για συμπέρασμα χρησιμοποιώντας ένα μόνο κλικ ή κλήση API.

Απόδοση μοντέλου και τελειοποίηση

Το μοντέλο απέδωσε ακρίβεια 96.5% και βαθμολογία F1 97.9% σε ένα σύνολο εικόνων εκτός δείγματος. Η βαθμολογία F1 είναι ένα μέτρο που χρησιμοποιεί τόσο την ακρίβεια όσο και την ανάκληση για τη μέτρηση της απόδοσης ενός ταξινομητή. ο DetectCustomLabels API χρησιμοποιείται για την ανίχνευση των ετικετών μιας παρεχόμενης εικόνας κατά την εξαγωγή συμπερασμάτων. Το API επιστρέφει επίσης την εμπιστοσύνη που έχουν οι προσαρμοσμένες ετικέτες αναγνώρισης για την ακρίβεια της προβλεπόμενης ετικέτας. Το παρακάτω γράφημα έχει την κατανομή των βαθμολογιών εμπιστοσύνης των προβλεπόμενων ετικετών για τις εικόνες. Ο άξονας x αντιπροσωπεύει τη βαθμολογία εμπιστοσύνης πολλαπλασιασμένη επί 100 και ο άξονας y είναι η μέτρηση των προβλέψεων σε λογαριθμική κλίμακα.

Ορίζοντας ένα όριο στη βαθμολογία εμπιστοσύνης, μπορούμε να φιλτράρουμε τις προβλέψεις που έχουν χαμηλότερη εμπιστοσύνη. Ένα όριο 0.99 οδήγησε σε ακρίβεια 99.6% και το 5% των προβλέψεων απορρίφθηκε. Ένα όριο 0.999 οδήγησε σε ακρίβεια 99.87%, με το 27% των προβλέψεων να απορρίπτονται. Για να προσφέρει τη σωστή επιχειρηματική αξία, η Chronomics επέλεξε ένα όριο 0.99 για να μεγιστοποιήσει την ακρίβεια και να ελαχιστοποιήσει την απόρριψη των προβλέψεων. Για περισσότερες πληροφορίες, βλ Ανάλυση εικόνας με εκπαιδευμένο μοντέλο.

Οι απορριφθείσες προβλέψεις μπορούν επίσης να δρομολογηθούν σε έναν άνθρωπο στο βρόχο χρησιμοποιώντας Amazon Augmented AI (Amazon A2I) για χειροκίνητη επεξεργασία της εικόνας. Για περισσότερες πληροφορίες σχετικά με το πώς να το κάνετε αυτό, ανατρέξτε στο Χρησιμοποιήστε το Amazon Augmented AI με το Amazon Recognition.

Η παρακάτω εικόνα είναι ένα παράδειγμα όπου το μοντέλο έχει αναγνωρίσει σωστά τη δοκιμή ως άκυρη με εμπιστοσύνη 0.999.

Συμπέρασμα

Σε αυτήν την ανάρτηση, δείξαμε την ευκολία με την οποία η Chronomics κατασκεύασε γρήγορα και ανέπτυξε μια επεκτάσιμη λύση βασισμένη σε όραμα υπολογιστή που χρησιμοποιεί το Amazon Rekognition για να ανιχνεύσει το αποτέλεσμα μιας δοκιμής πλευρικής ροής COVID-19. ο API αναγνώρισης Amazon καθιστά πολύ εύκολο για τους επαγγελματίες να επιταχύνουν τη διαδικασία κατασκευής μοντέλων όρασης υπολογιστή.

Μάθετε πώς μπορείτε να εκπαιδεύσετε μοντέλα υπολογιστικής όρασης για τη συγκεκριμένη περίπτωση επαγγελματικής χρήσης σας επισκεπτόμενοι Ξεκινώντας με τις προσαρμοσμένες ετικέτες Amazon Rekognition και με την αναθεώρηση των Οδηγός προσαρμοσμένων ετικετών Amazon Recognition.

---

Σχετικά με τους Συγγραφείς

Ματία Σπινέλλη είναι Senior Machine Learning Engineer στην Chronomics, μια βιοϊατρική εταιρεία. Η πλατφόρμα της Chronomics επιτρέπει στους παρόχους να εφαρμόζουν απρόσκοπτα διαγνωστικά στο σπίτι σε κλίμακα — όλα αυτά χωρίς να θυσιάζεται η αποτελεσματικότητα ή η ακρίβεια.

Pinak Panigrahi συνεργάζεται με πελάτες για τη δημιουργία λύσεων με γνώμονα τη μηχανική μάθηση για την επίλυση στρατηγικών επιχειρηματικών προβλημάτων στο AWS. Όταν δεν ασχολείται με τη μηχανική μάθηση, μπορεί να βρεθεί να κάνει μια πεζοπορία, να διαβάζει ένα βιβλίο ή να πιάνει αθλήματα.

Τζέι Ράο είναι κύριος αρχιτέκτονας λύσεων στην AWS. Του αρέσει να παρέχει τεχνική και στρατηγική καθοδήγηση στους πελάτες και να τους βοηθά να σχεδιάζουν και να εφαρμόζουν λύσεις στο AWS.

Pashmeen Mistry είναι Ανώτερος Διευθυντής Προϊόντων στην AWS. Εκτός δουλειάς, ο Pashmeen απολαμβάνει περιπετειώδεις πεζοπορίες, φωτογραφίσεις και περνά χρόνο με την οικογένειά του.