Chronomics havaitsee COVID-19-testitulokset Amazon Rekognitionin mukautetuilla tarroilla

Kronomiikka on tech-bio-yritys, joka käyttää biomarkkereita – molekyylien analysoinnista saatua kvantitatiivista tietoa – teknologian rinnalla demokratisoidakseen tieteen ja datan käyttöä ihmisten elämän parantamiseksi. Heidän tavoitteenaan on analysoida biologisia näytteitä ja antaa käyttökelpoista tietoa, joka auttaa sinua tekemään päätöksiä – kaikesta, missä on tärkeää tietää enemmän näkymättömästä. Chronomicsin alustan avulla palveluntarjoajat voivat toteuttaa saumattomasti kotona tehtävää diagnostiikkaa mittakaavassa – kaikki tehokkuudesta tai tarkkuudesta tinkimättä. Se on jo käsitellyt miljoonia testejä tämän alustan kautta ja tarjoaa korkealaatuisen diagnostiikkakokemuksen.

COVID-19-pandemian aikana Chronomics myi lateraalivirtaustestejä (LFT) COVID-19:n havaitsemiseksi. Käyttäjät rekisteröivät testin alustalle lataamalla kuvan testikasetista ja syöttämällä testin manuaalisen lukeman (positiivinen, negatiivinen tai virheellinen). Testien ja käyttäjien määrän kasvaessa kävi nopeasti epäkäytännölliseksi manuaalisesti tarkistaa, vastaako raportoitu tulos testikuvan tulosta. Chronomics halusi rakentaa skaalautuvan ratkaisun, joka käyttää tietokonenäköä tulosten tarkistamiseen.

Tässä viestissä jaamme kuinka Chronomics käytti Amazonin tunnistus tunnistaa automaattisesti COVID-19-sivuvirtaustestin tulokset.

Tietojen valmistelu

Seuraava kuva näyttää kuvan käyttäjän lataamasta testikasetista. Tietojoukko koostuu tämän kaltaisista kuvista. Nämä kuvat on luokiteltava positiivisiksi, negatiivisiksi tai virheellisiksi COVID-19-testin tulosten mukaisesti.

Tärkeimmät tietojoukon haasteet olivat seuraavat:

• Epätasapainoinen tietojoukko – Aineisto oli erittäin vino. Yli 90 % näytteistä oli negatiivisesta luokasta.
• Epäluotettavat käyttäjän syötteet – Käyttäjien manuaalisesti ilmoittamat lukemat eivät olleet luotettavia. Noin 40 % lukemista ei vastannut kuvan todellista tulosta.

Luodakseen korkealaatuisen harjoitustietojoukon Chronomics-insinöörit päättivät noudattaa näitä vaiheita:

• Manuaalinen huomautus – Valitse ja merkitse manuaalisesti 1,000 XNUMX kuvaa varmistaaksesi, että kolme luokkaa ovat tasaisesti edustettuina
• Kuvan lisäys – Kasvata merkittyjen kuvien määrää 10,000 XNUMX:een

Kuvan lisäys suoritettiin käyttämällä Albuminaatiot, avoimen lähdekoodin Python-kirjasto. Useita muunnoksia, kuten kiertoa, skaalausta ja kirkkautta, suoritettiin 9,000 XNUMX synteettisen kuvan luomiseksi. Nämä synteettiset kuvat lisättiin alkuperäisiin kuviin korkealaatuisen tietojoukon luomiseksi.

Mukautetun tietokonenäkömallin rakentaminen Amazon Rekognitionin avulla

Chronomicsin insinöörit kääntyivät kohti Amazon Rekognition mukautetut etiketit, Amazon Rekognitionin ominaisuus AutoML-ominaisuuksilla. Kun harjoituskuvat on toimitettu, se voi automaattisesti ladata ja tarkastaa tiedot, valita oikeat algoritmit, kouluttaa mallin ja tarjota mallin suorituskykymittareita. Tämä nopeuttaa merkittävästi tietokonenäkömallin koulutusta ja käyttöönottoa, mikä tekee siitä ensisijaisen syyn Chronomicsille ottaa käyttöön Amazon Rekognition. Amazon Rekognitionin avulla saimme erittäin tarkan mallin 3–4 viikossa sen sijaan, että vietimme 4 kuukautta yrittäessämme rakentaa mukautettua mallia halutun suorituskyvyn saavuttamiseksi.

Seuraava kaavio havainnollistaa mallin koulutusputkia. Annotoidut kuvat esikäsiteltiin ensin käyttämällä AWS Lambda toiminto. Tämä esikäsittelyvaihe varmisti, että kuvat olivat oikeassa tiedostomuodossa, ja suoritti myös joitain lisävaiheita, kuten kuvan koon muuttaminen ja kuvan muuntaminen RGB:stä harmaasävyiksi. Tämän havaittiin parantavan mallin suorituskykyä.

Kun malli on koulutettu, se voidaan ottaa käyttöön johtopäätösten tekemiseksi yhdellä napsautuksella tai API-kutsulla.

Mallin suorituskyky ja hienosäätö

Malli tuotti 96.5 %:n tarkkuuden ja 1 %:n F97.9-pistemäärän näytteen ulkopuolisilla kuvilla. F1-pistemäärä on mitta, joka käyttää sekä tarkkuutta että muistamista mittaamaan luokittelijan suorituskykyä. The DetectCustomLabels API käytetään havaitsemaan toimitetun kuvan tarrat päättelyn aikana. API palauttaa myös Rekognition Custom Labelsin luottamuksen ennustetun tarran tarkkuuteen. Seuraavassa kaaviossa on kuvien ennustettujen nimikkeiden luottamuspisteiden jakautuminen. X-akseli edustaa luottamustulosta kerrottuna 100:lla, ja y-akseli on ennusteiden lukumäärä log-mittakaavassa.

Asettamalla kynnyksen luottamuspisteelle voimme suodattaa pois ennusteet, joilla on pienempi luottamus. Kynnys 0.99 johti 99.6 %:n tarkkuuteen ja 5 % ennusteista hylättiin. Kynnys 0.999 johti 99.87 %:n tarkkuuteen ja 27 % ennusteista hylättiin. Oikean liikearvon tarjoamiseksi Chronomics valitsi kynnysarvon 0.99 maksimoidakseen tarkkuuden ja minimoidakseen ennusteiden hylkäämisen. Katso lisätietoja Kuvan analysointi koulutetun mallin kanssa.

Hylätyt ennusteet voidaan myös reitittää ihmiselle silmukassa käyttämällä Amazonin laajennettu AI (Amazon A2I) kuvan manuaaliseen käsittelyyn. Lisätietoja tämän tekemisestä on kohdassa Käytä Amazonin laajennettua tekoälyä Amazon Rekognitionin kanssa.

Seuraava kuva on esimerkki, jossa malli on tunnistanut testin virheelliseksi varmuudella 0.999.

Yhteenveto

Tässä viestissä osoitimme, kuinka helposti Chronomics rakensi ja otti nopeasti käyttöön skaalautuvan tietokonenäköpohjaisen ratkaisun, joka käyttää Amazon Rekognitionia COVID-19-sivuvirtaustestin tulosten havaitsemiseen. The Amazon Rekognition -sovellusliittymä Sen avulla harjoittajien on erittäin helppoa nopeuttaa tietokonenäkömallien rakentamisprosessia.

Lisätietoja siitä, kuinka voit kouluttaa tietokonenäkömalleja yrityskäyttöösi varten, käy osoitteessa Amazon Rekognitionin mukautettujen tarrojen käytön aloittaminen ja tarkistamalla Amazon Rekognitionin mukautettujen tarrojen opas.

---

Tietoja Tekijät

Mattia Spinelli on vanhempi koneoppimisinsinööri Chronomicsissa, biolääketieteellisessä yrityksessä. Chronomicsin alustan avulla palveluntarjoajat voivat toteuttaa saumattomasti kotona tehtävää diagnostiikkaa mittakaavassa – kaikki tehokkuudesta tai tarkkuudesta tinkimättä.

Pinak Panigrahi työskentelee asiakkaiden kanssa rakentaakseen koneoppimiseen perustuvia ratkaisuja strategisten liiketoimintaongelmien ratkaisemiseksi AWS:ssä. Kun hän ei ole kiinnostunut koneoppimisesta, hän voi tavata vaelluksen, kirjan lukemisen tai urheilun parissa.

Jay Rao on AWS:n pääratkaisuarkkitehti. Hän nauttii teknisen ja strategisen ohjauksen antamisesta asiakkaille ja heidän auttamisesta suunnittelemaan ja toteuttamaan AWS-ratkaisuja.

Pashmeen Mistry on AWS:n tuotepäällikkö. Työn ulkopuolella Pashmeen nauttii seikkailunhaluisista vaelluksista, valokuvaamisesta ja perheen kanssa viettämisestä.