क्रोनॉमिक्स अमेज़ॅन रिकॉग्निशन कस्टम लेबल के साथ COVID-19 परीक्षण परिणामों का पता लगाता है

प्लेटो द्वारा पुनर्प्रकाशित

अनुयायियों: 0

कालक्रम एक टेक-बायो कंपनी है जो लोगों के जीवन को बेहतर बनाने के लिए विज्ञान और डेटा के उपयोग का लोकतंत्रीकरण करने के लिए तकनीक के साथ-साथ अणुओं के विश्लेषण से ली गई बायोमार्कर-मात्रात्मक जानकारी का उपयोग करती है। उनका लक्ष्य जैविक नमूनों का विश्लेषण करना है और आपको निर्णय लेने में मदद करने के लिए कार्रवाई योग्य जानकारी देना है - ऐसी किसी भी चीज़ के बारे में जहाँ अनदेखी के बारे में अधिक जानना महत्वपूर्ण है। क्रोनोमिक्स का प्लेटफॉर्म प्रदाताओं को दक्षता या सटीकता का त्याग किए बिना बड़े पैमाने पर घरेलू डायग्नोस्टिक्स को मूल रूप से लागू करने में सक्षम बनाता है। यह इस प्लेटफॉर्म के माध्यम से पहले ही लाखों परीक्षणों को संसाधित कर चुका है और उच्च गुणवत्ता वाले निदान अनुभव प्रदान करता है।

COVID-19 महामारी के दौरान, क्रोनोमिक्स ने COVID-19 का पता लगाने के लिए पार्श्व प्रवाह परीक्षण (LFT) बेचे। उपयोगकर्ता परीक्षण कैसेट की एक तस्वीर अपलोड करके और परीक्षण के मैन्युअल रीडिंग (सकारात्मक, नकारात्मक या अमान्य) दर्ज करके मंच पर परीक्षण पंजीकृत करते हैं। परीक्षणों और उपयोगकर्ताओं की संख्या में वृद्धि के साथ, यह जल्दी से मैन्युअल रूप से सत्यापित करने के लिए अव्यावहारिक हो गया कि क्या रिपोर्ट किए गए परिणाम परीक्षण की तस्वीर में परिणाम से मेल खाते हैं। क्रोनोमिक्स एक स्केलेबल समाधान बनाना चाहता था जो परिणामों को सत्यापित करने के लिए कंप्यूटर दृष्टि का उपयोग करता है।

इस पोस्ट में, हम साझा करते हैं कि क्रोनोमिक्स का उपयोग कैसे किया जाता है अमेज़ॅन रेकग्निशन COVID-19 पार्श्व प्रवाह परीक्षण के परिणामों का स्वचालित रूप से पता लगाने के लिए।

डेटा तैयार करना

निम्न छवि उपयोगकर्ता द्वारा अपलोड किए गए परीक्षण कैसेट की तस्वीर दिखाती है। डेटासेट में इस तरह की छवियां होती हैं। इन छवियों को एक COVID-19 परीक्षण के परिणाम के अनुरूप सकारात्मक, नकारात्मक या अमान्य के रूप में वर्गीकृत किया जाना है।

डेटासेट के साथ मुख्य चुनौतियाँ निम्नलिखित थीं:

असंतुलित डेटासेट - डेटासेट बेहद तिरछा था। 90 फीसदी से ज्यादा सैंपल निगेटिव क्लास के थे।
अविश्वसनीय उपयोगकर्ता इनपुट - उपयोगकर्ताओं द्वारा मैन्युअल रूप से रिपोर्ट की गई रीडिंग विश्वसनीय नहीं थीं। लगभग 40% रीडिंग चित्र के वास्तविक परिणाम से मेल नहीं खाती।

एक उच्च-गुणवत्ता वाला प्रशिक्षण डेटासेट बनाने के लिए, क्रोनोमिक्स इंजीनियरों ने इन चरणों का पालन करने का निर्णय लिया:

मैनुअल एनोटेशन - यह सुनिश्चित करने के लिए मैन्युअल रूप से 1,000 छवियों का चयन करें और लेबल करें कि तीन वर्गों का समान रूप से प्रतिनिधित्व किया जाता है
छवि वृद्धि - संख्या को 10,000 तक बढ़ाने के लिए लेबल की गई छवियों को संवर्धित करें

छवि वृद्धि का उपयोग करके किया गया था एल्बमनेशन, एक ओपन-सोर्स पायथन लाइब्रेरी। 9,000 सिंथेटिक छवियों को उत्पन्न करने के लिए रोटेशन, पुनर्विक्रय और चमक जैसे कई परिवर्तन किए गए। उच्च गुणवत्ता वाला डेटासेट बनाने के लिए इन सिंथेटिक छवियों को मूल छवियों में जोड़ा गया था।

अमेज़ॅन रिकॉग्निशन के साथ एक कस्टम कंप्यूटर विज़न मॉडल का निर्माण

क्रोनोमिक्स के इंजीनियरों की ओर रुख किया अमेज़ॅन रेकग्निशन कस्टम लेबल, AutoML क्षमताओं के साथ Amazon रिकॉग्निशन की एक विशेषता। प्रशिक्षण चित्र प्रदान किए जाने के बाद, यह स्वचालित रूप से डेटा को लोड और निरीक्षण कर सकता है, सही एल्गोरिदम का चयन कर सकता है, एक मॉडल को प्रशिक्षित कर सकता है और मॉडल प्रदर्शन मेट्रिक्स प्रदान कर सकता है। यह एक कंप्यूटर विज़न मॉडल के प्रशिक्षण और तैनाती की प्रक्रिया को महत्वपूर्ण रूप से तेज करता है, जिससे यह क्रोनोमिक्स के लिए Amazon रिकॉग्निशन को अपनाने का प्राथमिक कारण बन जाता है। अमेज़ॅन रिकॉग्निशन के साथ, हम वांछित प्रदर्शन प्राप्त करने के लिए कस्टम मॉडल बनाने की कोशिश में 3 महीने खर्च करने के विपरीत 4-4 सप्ताह में अत्यधिक सटीक मॉडल प्राप्त करने में सक्षम थे।

निम्नलिखित आरेख मॉडल प्रशिक्षण पाइपलाइन को दिखाता है। एनोटेटेड छवियों को पहले एक का उपयोग करके प्रीप्रोसेस किया गया था AWS लाम्बा समारोह। इस प्रीप्रोसेसिंग कदम ने सुनिश्चित किया कि छवियां उपयुक्त फ़ाइल प्रारूप में थीं और छवि को आकार देने और छवि को आरजीबी से ग्रेस्केल में परिवर्तित करने जैसे कुछ अतिरिक्त चरण भी किए। यह देखा गया कि इससे मॉडल के प्रदर्शन में सुधार हुआ।

मॉडल के प्रशिक्षित होने के बाद, इसे केवल एक क्लिक या एपीआई कॉल का उपयोग करके अनुमान लगाने के लिए तैनात किया जा सकता है।

मॉडल प्रदर्शन और फाइन-ट्यूनिंग

मॉडल ने 96.5% की सटीकता और आउट-ऑफ-नमूना छवियों के एक सेट पर 1% का F97.9 स्कोर प्राप्त किया। एफ 1 स्कोर एक माप है जो एक क्लासिफायरियर के प्रदर्शन को मापने के लिए सटीकता और रिकॉल दोनों का उपयोग करता है। कस्टम लेबल एपीआई का पता लगाएं अनुमान के दौरान आपूर्ति की गई छवि के लेबल का पता लगाने के लिए उपयोग किया जाता है। एपीआई यह विश्वास भी लौटाता है कि रिकॉग्निशन कस्टम लेबल में अनुमानित लेबल की सटीकता है। निम्नलिखित चार्ट में छवियों के लिए अनुमानित लेबलों के विश्वास स्कोर का वितरण है। एक्स-एक्सिस 100 से गुणा किए गए कॉन्फिडेंस स्कोर को दर्शाता है, और वाई-एक्सिस लॉग-स्केल में भविष्यवाणियों की गिनती है।

कॉन्फिडेंस स्कोर पर एक सीमा निर्धारित करके, हम कम कॉन्फिडेंस वाले पूर्वानुमानों को फ़िल्टर कर सकते हैं। 0.99 की सीमा के परिणामस्वरूप 99.6% की सटीकता हुई, और 5% भविष्यवाणियों को खारिज कर दिया गया। 0.999 की सीमा के परिणामस्वरूप 99.87% की सटीकता हुई, जिसमें 27% भविष्यवाणियों को खारिज कर दिया गया। सही व्यावसायिक मूल्य देने के लिए, सटीकता को अधिकतम करने और भविष्यवाणियों की अस्वीकृति को कम करने के लिए क्रोनोमिक्स ने 0.99 की सीमा को चुना। अधिक जानकारी के लिए देखें एक प्रशिक्षित मॉडल के साथ एक छवि का विश्लेषण.

छोड़ी गई भविष्यवाणियों को उपयोग करके लूप में मानव के लिए भी रूट किया जा सकता है अमेज़न संवर्धित ऐ (अमेज़न A2I) छवि को मैन्युअल रूप से संसाधित करने के लिए। यह कैसे करें के बारे में अधिक जानकारी के लिए, देखें Amazon Rekognition के साथ Amazon Augmented AI का उपयोग करें.

निम्नलिखित छवि एक उदाहरण है जहां मॉडल ने 0.999 के विश्वास के साथ परीक्षण को सही ढंग से अमान्य के रूप में पहचाना है।

निष्कर्ष

इस पोस्ट में, हमने आसानी से दिखाया कि किस आसानी से क्रोनोमिक्स ने एक स्केलेबल कंप्यूटर दृष्टि-आधारित समाधान बनाया और तैनात किया जो COVID-19 पार्श्व प्रवाह परीक्षण के परिणाम का पता लगाने के लिए Amazon रिकॉग्निशन का उपयोग करता है। अमेज़ॅन रिकग्निशन एपीआई कंप्यूटर विज़न मॉडल बनाने की प्रक्रिया को गति देना चिकित्सकों के लिए बहुत आसान बनाता है।

इस बारे में जानें कि आप अपने विशिष्ट व्यावसायिक उपयोग के मामले में कंप्यूटर विज़न मॉडल को कैसे प्रशिक्षित कर सकते हैं Amazon रिकॉग्निशन कस्टम लेबल के साथ शुरुआत करना और समीक्षा करके Amazon Recognition कस्टम लेबल गाइड.

लेखक के बारे में

मटिया स्पिनेली बायोमेडिकल कंपनी क्रोनोमिक्स में सीनियर मशीन लर्निंग इंजीनियर हैं। क्रोनोमिक्स का प्लेटफॉर्म प्रदाताओं को दक्षता या सटीकता का त्याग किए बिना बड़े पैमाने पर घरेलू डायग्नोस्टिक्स को मूल रूप से लागू करने में सक्षम बनाता है।

पिनाक पाणिग्रही AWS पर रणनीतिक व्यावसायिक समस्याओं को हल करने के लिए मशीन लर्निंग संचालित समाधान बनाने के लिए ग्राहकों के साथ काम करता है। जब मशीन लर्निंग में व्यस्त नहीं होते हैं, तो उन्हें बढ़ोतरी करते हुए, किताब पढ़ते हुए या खेलकूद करते हुए देखा जा सकता है।

लेखक-जयराव जय राव AWS में प्रिंसिपल सॉल्यूशंस आर्किटेक्ट हैं। उन्हें ग्राहकों को तकनीकी और रणनीतिक मार्गदर्शन प्रदान करने और एडब्ल्यूएस पर समाधान डिजाइन और कार्यान्वित करने में मदद करने में आनंद आता है।