کرونومیکس یک شرکت فناوری زیستی است که از نشانگرهای زیستی (اطلاعات قابل سنجش برگرفته از تجزیه و تحلیل مولکولها) در کنار فناوری برای دموکراتیک کردن استفاده از علم و دادهها برای بهبود زندگی مردم استفاده میکند. هدف آنها تجزیه و تحلیل نمونههای بیولوژیکی و دادن اطلاعات عملی برای کمک به شما در تصمیمگیری است - در مورد هر چیزی که دانستن بیشتر در مورد غیب مهم است. پلتفرم Chronomics به ارائه دهندگان امکان می دهد تا به طور یکپارچه عیب یابی در خانه را در مقیاس اجرا کنند - همه اینها بدون به خطر انداختن کارایی یا دقت. قبلاً میلیونها آزمایش را از طریق این پلتفرم پردازش کرده است و یک تجربه تشخیصی با کیفیت بالا ارائه میکند.
در طول همهگیری COVID-19، Chronomics آزمایشهای جریان جانبی (LFT) را برای تشخیص COVID-19 فروخت. کاربران با آپلود تصویر کاست تست و وارد کردن خواندن دستی آزمون (مثبت، منفی یا نامعتبر)، آزمون را روی پلتفرم ثبت میکنند. با افزایش تعداد تست ها و کاربران، بررسی دستی اینکه آیا نتیجه گزارش شده با نتیجه در تصویر آزمایش مطابقت دارد یا خیر، به سرعت غیرعملی شد. Chronomics می خواست یک راه حل مقیاس پذیر بسازد که از بینایی کامپیوتری برای تأیید نتایج استفاده کند.
در این پست نحوه استفاده از Chronomics را به اشتراک می گذاریم شناسایی آمازون برای تشخیص خودکار نتایج آزمایش جریان جانبی COVID-19.
آماده سازی داده ها
تصویر زیر تصویر کاست تست آپلود شده توسط کاربر را نشان می دهد. مجموعه داده از تصاویری مانند این تشکیل شده است. این تصاویر باید به عنوان مثبت، منفی یا نامعتبر طبقه بندی شوند که مربوط به نتیجه آزمایش COVID-19 است.
چالش های اصلی با مجموعه داده ها به شرح زیر بود:
- مجموعه داده نامتعادل - مجموعه داده بسیار منحرف بود. بیش از 90 درصد نمونه ها از طبقه منفی بودند.
- ورودی های کاربر غیر قابل اعتماد - قرائت هایی که به صورت دستی توسط کاربران گزارش شده بودند قابل اعتماد نبودند. حدود 40 درصد از خوانش ها با نتیجه واقعی تصویر مطابقت نداشت.
برای ایجاد یک مجموعه داده آموزشی با کیفیت بالا، مهندسان Chronomics تصمیم گرفتند این مراحل را دنبال کنند:
- حاشیه نویسی دستی - 1,000 تصویر را به صورت دستی انتخاب و برچسب گذاری کنید تا مطمئن شوید که سه کلاس به طور مساوی نمایش داده می شوند
- تقویت تصویر - تصاویر برچسب گذاری شده را برای افزایش تعداد به 10,000 افزایش دهید
تقویت تصویر با استفاده از آلبوم ها، یک کتابخانه منبع باز پایتون. تعدادی تغییر شکل مانند چرخش، مقیاس مجدد و روشنایی برای تولید 9,000 تصویر مصنوعی انجام شد. این تصاویر مصنوعی برای ایجاد یک مجموعه داده با کیفیت بالا به تصاویر اصلی اضافه شدند.
ساخت یک مدل بینایی کامپیوتری سفارشی با آمازون Rekognition
مهندسان Chronomics به سمت خود برگشتند برچسب های سفارشی شناسایی آمازون، یکی از ویژگی های آمازون Rekognition با قابلیت های AutoML. پس از ارائه تصاویر آموزشی، می تواند به طور خودکار داده ها را بارگیری و بازرسی کند، الگوریتم های مناسب را انتخاب کند، یک مدل را آموزش دهد و معیارهای عملکرد مدل را ارائه دهد. این به طور قابل توجهی روند آموزش و استقرار یک مدل بینایی کامپیوتری را تسریع میکند و آن را به دلیل اصلی کرونومیکس برای استفاده از Amazon Rekognition تبدیل میکند. با آمازون Rekognition، ما توانستیم یک مدل بسیار دقیق را در عرض 3 تا 4 هفته به دست آوریم، در حالی که 4 ماه صرف تلاش برای ساخت یک مدل سفارشی برای دستیابی به عملکرد مطلوب شدیم.
نمودار زیر خط لوله آموزش مدل را نشان می دهد. تصاویر حاشیه نویسی شده ابتدا با استفاده از یک پیش پردازش شدند AWS لامبدا عملکرد. این مرحله پیش پردازش اطمینان حاصل کرد که تصاویر در فرمت فایل مناسب هستند و همچنین برخی از مراحل اضافی مانند تغییر اندازه تصویر و تبدیل تصویر از RGB به مقیاس خاکستری را انجام داد. مشاهده شد که این باعث بهبود عملکرد مدل می شود.
پس از آموزش مدل، می توان آن را برای استنتاج تنها با یک کلیک یا تماس API مستقر کرد.
عملکرد مدل و تنظیم دقیق
این مدل دقت 96.5٪ و امتیاز F1 97.9٪ را در مجموعه ای از تصاویر خارج از نمونه به دست آورد. امتیاز F1 معیاری است که از دقت و یادآوری برای اندازه گیری عملکرد یک طبقه بندی کننده استفاده می کند. را DetectCustomLabels API برای تشخیص برچسب های یک تصویر ارائه شده در طول استنتاج استفاده می شود. API همچنین اطمینانی را که Rekognition Custom Labels نسبت به دقت برچسب پیش بینی شده دارد، بازمی گرداند. نمودار زیر توزیع امتیازات اطمینان برچسب های پیش بینی شده برای تصاویر را دارد. محور x نشان دهنده امتیاز اطمینان ضرب در 100 است و محور y تعداد پیش بینی ها در مقیاس log است.
با تعیین یک آستانه برای امتیاز اطمینان، میتوانیم پیشبینیهایی را که اعتماد کمتری دارند فیلتر کنیم. آستانه 0.99 منجر به دقت 99.6٪ شد و 5٪ از پیش بینی ها کنار گذاشته شدند. آستانه 0.999 منجر به دقت 99.87٪ شد که 27٪ از پیش بینی ها کنار گذاشته شد. به منظور ارائه ارزش تجاری مناسب، Chronomics آستانه 0.99 را برای به حداکثر رساندن دقت و به حداقل رساندن رد پیش بینی ها انتخاب کرد. برای اطلاعات بیشتر ببین تجزیه و تحلیل یک تصویر با یک مدل آموزش دیده.
پیشبینیهای دور ریختهشده نیز میتوانند با استفاده از یک انسان در حلقه هدایت شوند هوش مصنوعی آمازون افزوده شده است (Amazon A2I) برای پردازش دستی تصویر. برای کسب اطلاعات بیشتر در مورد نحوه انجام این کار به ادامه مطلب مراجعه کنید از هوش مصنوعی آمازون با شناسایی آمازون استفاده کنید.
تصویر زیر نمونه ای است که در آن مدل به درستی آزمون را نامعتبر با اطمینان 0.999 تشخیص داده است.
نتیجه
در این پست، آسانی را نشان دادیم که Chronomics به سرعت یک راهحل مبتنی بر بینایی کامپیوتری مقیاسپذیر را ساخت و به کار گرفت که از تشخیص آمازون برای تشخیص نتیجه آزمایش جریان جانبی COVID-19 استفاده میکند. را API شناسایی آمازون سرعت بخشیدن به فرآیند ساخت مدل های بینایی کامپیوتری را برای پزشکان بسیار آسان می کند.
با مراجعه به سایت، در مورد اینکه چگونه می توانید مدل های بینایی کامپیوتری را برای موارد خاص تجاری خود آموزش دهید، بیاموزید شروع با برچسب های سفارشی شناسایی آمازون و با بررسی راهنمای برچسبهای سفارشی شناسایی آمازون.
درباره نویسنده
ماتیا اسپینلی یک مهندس ارشد یادگیری ماشین در Chronomics، یک شرکت زیست پزشکی است. پلتفرم Chronomics به ارائه دهندگان امکان می دهد تا به طور یکپارچه عیب یابی در خانه را در مقیاس اجرا کنند - همه اینها بدون به خطر انداختن کارایی یا دقت.
پیناک پانیگراهی با مشتریان برای ایجاد راه حل های مبتنی بر یادگیری ماشین برای حل مشکلات استراتژیک کسب و کار در AWS کار می کند. زمانی که مشغول یادگیری ماشینی نباشد، میتوان او را در حال پیادهروی، خواندن کتاب یا ورزش کردن یافت.
جی رائو یک معمار اصلی راه حل در AWS است. او از ارائه راهنمایی های فنی و استراتژیک به مشتریان و کمک به آنها در طراحی و اجرای راه حل ها در AWS لذت می برد.
Pasmeen Mistry مدیر محصول ارشد در AWS است. پشمن خارج از محل کار، از پیاده روی های ماجراجویانه، عکاسی و گذراندن وقت با خانواده اش لذت می برد.
- AI
- آی هنر
- مولد هنر ai
- ربات ai
- شناسایی آمازون
- هوش مصنوعی
- گواهی هوش مصنوعی
- هوش مصنوعی در بانکداری
- ربات هوش مصنوعی
- ربات های هوش مصنوعی
- نرم افزار هوش مصنوعی
- آموزش ماشین AWS
- بلاکچین
- کنفرانس بلاک چین ai
- coingenius
- هوش مصنوعی محاوره ای
- کنفرانس کریپتو ai
- راه حل های مشتری
- دل-ه
- یادگیری عمیق
- گوگل ai
- متوسط (200)
- علوم زندگی
- فراگیری ماشین
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- بازی افلاطون
- PlatoData
- بازی پلاتو
- مقیاس Ai
- نحو
- زفیرنت