Chronomics tuvastab COVID-19 testi tulemused Amazon Rekognitioni kohandatud siltide abil

Kroonika on tehnoloogia-bioettevõte, mis kasutab biomarkereid – molekulide analüüsist saadud kvantifitseeritavat teavet – koos tehnoloogiaga, et demokratiseerida teaduse ja andmete kasutamist inimeste elu parandamiseks. Nende eesmärk on analüüsida bioloogilisi proove ja anda kasulikku teavet, mis aitab teil otsuseid teha – kõige kohta, kus on oluline rohkem teada nähtamatust. Chronomicsi platvorm võimaldab teenusepakkujatel sujuvalt mastaapselt rakendada kodus toimuvat diagnostikat – seda kõike tõhusust või täpsust ohverdamata. See on selle platvormi kaudu juba töödelnud miljoneid teste ja pakub kvaliteetset diagnostikakogemust.

COVID-19 pandeemia ajal müüs Chronomics COVID-19 tuvastamiseks külgvooluteste (LFT). Kasutajad registreerivad testi platvormil, laadides üles testikasseti pildi ja sisestades testi käsitsi näidu (positiivne, negatiivne või kehtetu). Testide ja kasutajate arvu suurenemisega muutus kiiresti ebapraktiliseks käsitsi kontrollida, kas teatatud tulemus ühtib testi pildil oleva tulemusega. Chronomics soovis luua skaleeritava lahenduse, mis kasutab tulemuste kontrollimiseks arvutinägemust.

Selles postituses jagame, kuidas Chronomics kasutas Amazon Rekognitsioon COVID-19 külgvoolu testi tulemuste automaatseks tuvastamiseks.

Andmete ettevalmistamine

Järgmisel pildil on pilt kasutaja poolt üles laaditud testkassetist. Andmekogum koosneb sellistest piltidest nagu see. Need pildid tuleb liigitada positiivseteks, negatiivseteks või kehtetuteks vastavalt COVID-19 testi tulemustele.

Andmestiku peamised väljakutsed olid järgmised:

• Tasakaalustamata andmestik – Andmekogum oli äärmiselt kallutatud. Rohkem kui 90% proovidest olid negatiivsest klassist.
• Kasutaja ebausaldusväärsed sisestused – Kasutajate käsitsi teatatud näidud ei olnud usaldusväärsed. Umbes 40% näitudest ei vastanud pildi tegelikule tulemusele.

Kvaliteetse koolitusandmestiku loomiseks otsustasid Chronomics insenerid järgida järgmisi samme.

• Käsitsi märkimine – Valige ja märgistage käsitsi 1,000 pilti, et tagada kolme klassi ühtlane esindatus
• Pildi suurendamine – Suurendage märgistatud pilte, et suurendada nende arvu 10,000 XNUMX-ni

Kujutise suurendamine viidi läbi kasutades Albumid, avatud lähtekoodiga Pythoni teek. 9,000 sünteetilise kujutise genereerimiseks viidi läbi mitmeid teisendusi, nagu pööramine, mastaabi muutmine ja heledus. Need sünteetilised pildid lisati kvaliteetse andmestiku loomiseks originaalkujutistele.

Kohandatud arvutinägemise mudeli loomine Amazon Rekognitioniga

Kroonika insenerid pöördusid poole Amazon Rekognitioni kohandatud sildid, AutoML-i võimalustega Amazon Rekognitioni funktsioon. Pärast treeningpiltide esitamist saab see andmeid automaatselt laadida ja kontrollida, valida õiged algoritmid, koolitada mudelit ja pakkuda mudeli jõudlusmõõdikuid. See kiirendab märkimisväärselt arvutinägemismudeli väljaõppe ja juurutamise protsessi, muutes Chronomicsi jaoks Amazon Rekognitioni kasutuselevõtu peamiseks põhjuseks. Amazon Rekognitioniga suutsime saada ülitäpse mudeli 3–4 nädalaga, selle asemel, et kulutada 4 kuud soovitud jõudluse saavutamiseks kohandatud mudeli loomisele.

Järgmine diagramm illustreerib mudeli koolitustoru. Annoteeritud pilte töödeldi esmalt, kasutades an AWS Lambda funktsiooni. See eeltöötlusetapp tagas, et pildid olid sobivas failivormingus, ja teostas ka mõned lisatoimingud, nagu pildi suuruse muutmine ja pildi RGB-vormingust halltooniks teisendamine. Täheldati, et see parandas mudeli jõudlust.

Pärast mudeli väljaõpetamist saab selle järelduste tegemiseks juurutada vaid ühe klõpsuga või API-kõnega.

Mudeli jõudlus ja peenhäälestus

Mudel andis prooviväliste piltide komplekti täpsuseks 96.5% ja F1-skooriks 97.9%. F1 skoor on mõõt, mis kasutab klassifikaatori jõudluse mõõtmiseks nii täpsust kui ka meeldetuletust. The DetectCustomLabels API kasutatakse tarnitud pildi siltide tuvastamiseks järelduste tegemise ajal. API tagastab ka kindlustunde, mis Rekognitioni kohandatud siltidel on ennustatud sildi täpsuse suhtes. Järgmises tabelis on piltide ennustatud siltide usaldusskooride jaotus. X-telg tähistab usaldusskoori korrutatuna 100-ga ja y-telg on ennustuste arv logaritmilises skaalas.

Usaldusskoorile läve määramisega saame filtreerida madalama usaldusväärsusega ennustused. Lävi 0.99 andis täpsuseks 99.6% ja 5% ennustustest lükati kõrvale. Lävi 0.999 andis täpsuseks 99.87%, kusjuures 27% ennustustest lükati kõrvale. Õige äriväärtuse pakkumiseks valis Chronomics läveks 0.99, et maksimeerida täpsust ja minimeerida prognooside tagasilükkamist. Lisateabe saamiseks vt Pildi analüüsimine koolitatud modelliga.

Äravisatud ennustusi saab suunata ka tsüklis olevale inimesele Amazoni laiendatud AI (Amazon A2I) pildi käsitsi töötlemiseks. Lisateavet selle kohta, kuidas seda teha, leiate aadressilt Kasutage Amazoni laiendatud AI-d koos Amazon Rekognitioniga.

Järgmine pilt on näide, kus mudel on 0.999 usaldusväärsusega õigesti tuvastanud testi kehtetuks.

Järeldus

Selles postituses näitasime, kui hõlpsalt Chronomics ehitas ja juurutas kiiresti skaleeritava arvutinägemispõhise lahenduse, mis kasutab COVID-19 külgvoolu testi tulemuste tuvastamiseks Amazon Rekognitioni. The Amazon Rekognition API muudab praktikute jaoks arvutinägemismudelite loomise protsessi kiirendamise väga lihtsaks.

Siit leiate teavet selle kohta, kuidas saate koolitada arvutinägemismudeleid oma konkreetse äritegevuse jaoks Amazon Rekognitioni kohandatud siltidega alustamine ja vaadates läbi Amazon Rekognitioni kohandatud siltide juhend.

---

Autoritest

Mattia Spinelli on biomeditsiiniettevõtte Chronomics masinõppe vaneminsener. Chronomicsi platvorm võimaldab teenusepakkujatel sujuvalt mastaapselt rakendada kodus toimuvat diagnostikat – seda kõike tõhusust või täpsust ohverdamata.

Pinak Panigrahi töötab koos klientidega, et luua masinõppepõhiseid lahendusi, et lahendada strateegilisi äriprobleeme AWS-is. Kui ta pole masinõppega hõivatud, võib teda leida matkamas, raamatut lugemas või spordiga tegelemas.

Jay Rao on AWS-i peamine lahenduste arhitekt. Talle meeldib pakkuda klientidele tehnilisi ja strateegilisi juhiseid ning aidata neil AWS-i lahendusi kavandada ja rakendada.

Pashmeen Mistry on AWS-i vanemtootejuht. Väljaspool tööd naudib Pashmeen seikluslikke matku, fotograafiat ja perega aja veetmist.