Krónika egy tech-bio cég, amely biomarkereket – a molekulák elemzéséből nyert számszerűsíthető információkat – a technológia mellett használ a tudomány és az adatok felhasználásának demokratizálására az emberek életének javítása érdekében. Céljuk, hogy biológiai mintákat elemezzenek, és hasznos információkat adjanak a döntések meghozatalához – minden olyan dologban, ahol fontos többet tudni a láthatatlanról. A Chronomics platformja lehetővé teszi a szolgáltatók számára, hogy zökkenőmentesen, nagy léptékben hajtsák végre az otthoni diagnosztikát – mindezt a hatékonyság és a pontosság feláldozása nélkül. Már több millió tesztet dolgozott fel ezen a platformon keresztül, és kiváló minőségű diagnosztikai élményt nyújt.
A COVID-19 világjárvány idején a Chronomics oldalirányú áramlási teszteket (LFT) árult a COVID-19 kimutatására. A felhasználók regisztrálják a tesztet a platformon a tesztkazetta képének feltöltésével és a teszt manuális leolvasásának megadásával (pozitív, negatív vagy érvénytelen). A tesztek és a felhasználók számának növekedésével gyorsan célszerűtlenné vált manuálisan ellenőrizni, hogy a közölt eredmény megegyezik-e a teszt képén látható eredménnyel. A Chronomics olyan méretezhető megoldást akart építeni, amely számítógépes látást használ az eredmények ellenőrzésére.
Ebben a bejegyzésben megosztjuk, hogyan használta a Chronomics Amazon felismerés hogy automatikusan észlelje a COVID-19 laterális áramlási teszt eredményeit.
Az adatok előkészítése
A következő képen egy felhasználó által feltöltött tesztkazetta képe látható. Az adatkészlet ehhez hasonló képekből áll. Ezeket a képeket a COVID-19 teszt eredményének megfelelően pozitívnak, negatívnak vagy érvénytelennek kell minősíteni.
Az adatkészlettel kapcsolatos fő kihívások a következők voltak:
- Kiegyensúlyozatlan adatkészlet – Az adathalmaz rendkívül torz volt. A minták több mint 90%-a a negatív osztályból származott.
- Megbízhatatlan felhasználói bevitelek – A felhasználók által manuálisan közölt adatok nem voltak megbízhatóak. A leolvasások körülbelül 40%-a nem egyezik a képen látható tényleges eredménnyel.
Egy jó minőségű képzési adatkészlet létrehozásához a Chronomics mérnökei az alábbi lépések végrehajtása mellett döntöttek:
- Kézi megjegyzés – Manuálisan válasszon ki és címkézzen 1,000 képet, hogy biztosítsa a három osztály egyenletes megjelenítését
- Képnövelés – Növelje a felcímkézett képeket, hogy a szám 10,000 XNUMX-re növekedjen
A képnövelést a segítségével végeztük el albumációk, egy nyílt forráskódú Python könyvtár. Számos átalakítást, például elforgatást, átméretezést és fényerőt hajtottak végre 9,000 szintetikus kép létrehozásához. Ezeket a szintetikus képeket hozzáadták az eredeti képekhez, hogy kiváló minőségű adatkészletet hozzanak létre.
Egyéni számítógépes látásmodell készítése az Amazon Rekognition segítségével
A Chronomics mérnökei felé fordultak Amazon Rekognition egyéni címkék, az Amazon Rekognition AutoML-képességekkel rendelkező funkciója. A képzési képek rendelkezésre bocsátása után automatikusan betöltheti és ellenőrizheti az adatokat, kiválaszthatja a megfelelő algoritmusokat, betaníthat egy modellt, és modell teljesítménymutatóit biztosíthat. Ez jelentősen felgyorsítja a számítógépes látásmodell betanításának és bevezetésének folyamatát, így a Chronomics elsődleges oka az Amazon Rekognition alkalmazásának. Az Amazon Rekognition segítségével rendkívül pontos modellt tudtunk készíteni 3–4 hét alatt, ahelyett, hogy 4 hónapot kellett eltöltenünk egy egyedi modell felépítésével a kívánt teljesítmény elérése érdekében.
A következő diagram a modell betanítási folyamatot szemlélteti. A megjegyzésekkel ellátott képeket először egy AWS Lambda funkció. Ez az előfeldolgozási lépés biztosította, hogy a képek a megfelelő fájlformátumban legyenek, és néhány további lépést is végrehajtott, például a kép átméretezését és a kép RGB-ből szürkeárnyalatossá alakítását. Megfigyelték, hogy ez javította a modell teljesítményét.
A modell betanítása után egyetlen kattintással vagy API-hívással bevezethető következtetésekhez.
A modell teljesítménye és finomhangolása
A modell 96.5%-os pontosságot és 1%-os F97.9-pontszámot adott a mintán kívüli képeken. Az F1 pontszám egy olyan mérőszám, amely mind a pontosságot, mind a visszahívást használja az osztályozó teljesítményének mérésére. A DetectCustomLabels API a szolgáltatott kép címkéinek észlelésére szolgál a következtetés során. Az API azt a bizalmat is visszaadja, amellyel a Rekognition Custom Labels rendelkezik az előre jelzett címke pontosságában. A következő diagram a képek előrejelzett címkéinek megbízhatósági pontszámainak eloszlását mutatja. Az x tengely a megbízhatósági pontszám szorozva 100-zal, az y tengely pedig az előrejelzések száma log-skálában.
A megbízhatósági pontszám küszöbértékének beállításával kiszűrhetjük az alacsonyabb megbízhatóságú előrejelzéseket. A 0.99-es küszöb 99.6%-os pontosságot eredményezett, és az előrejelzések 5%-át elvetették. A 0.999-es küszöb 99.87%-os pontosságot eredményezett, és az előrejelzések 27%-át elvetettük. A megfelelő üzleti érték biztosítása érdekében a Chronomics 0.99-es küszöbértéket választott, hogy maximalizálja a pontosságot és minimalizálja az előrejelzések elutasítását. További információkért lásd Kép elemzése képzett modellel.
Az elvetett jóslatok a hurokban lévő emberhez is irányíthatók Amazon kiterjesztett AI (Amazon A2I) a kép manuális feldolgozásához. További információért lásd: Használja az Amazon kiterjesztett AI-t az Amazon Rekognition szolgáltatással.
A következő kép egy példa arra, hogy a modell 0.999-es megbízhatósággal helyesen azonosította a tesztet érvénytelennek.
Következtetés
Ebben a bejegyzésben bemutattuk, hogy a Chronomics milyen könnyedén épített és vezetett be egy méretezhető számítógépes látásalapú megoldást, amely az Amazon Rekognition segítségével észleli a COVID-19 laterális áramlási tesztjének eredményét. A Amazon Rekognition API nagyon megkönnyíti a szakemberek számára, hogy felgyorsítsák a számítógépes látásmodellek felépítésének folyamatát.
Itt megtudhatja, hogyan taníthat számítógépes látásmodelleket az Ön konkrét üzleti felhasználási esetére Kezdő lépések az Amazon Rekognition egyéni címkéivel és áttekintve a Amazon Rekognition egyéni címkék útmutatója.
A szerzőkről
Mattia Spinelli a Chronomics, egy orvosbiológiai vállalat vezető gépi tanulási mérnöke. A Chronomics platformja lehetővé teszi a szolgáltatók számára, hogy zökkenőmentesen, nagy léptékben hajtsák végre az otthoni diagnosztikát – mindezt a hatékonyság és a pontosság feláldozása nélkül.
Pinak Panigrahi együttműködik az ügyfelekkel, hogy gépi tanulásra támaszkodó megoldásokat építsenek a stratégiai üzleti problémák megoldására az AWS-en. Ha nem a gépi tanulással van elfoglalva, akkor kirándulni, könyvet olvasni vagy sportolni lehet.
Jay Rao az AWS vezető megoldási építésze. Szeret technikai és stratégiai útmutatást nyújtani ügyfeleinek, és segíteni nekik az AWS-re vonatkozó megoldások tervezésében és megvalósításában.
Pashmeen Mistry az AWS vezető termékmenedzsere. A munkán kívül Pashmeen élvezi a kalandos túrákat, a fotózást, és a családjával tölti az idejét.
- AI
- ai művészet
- ai art generátor
- van egy robotod
- Amazon felismerés
- mesterséges intelligencia
- mesterséges intelligencia tanúsítás
- mesterséges intelligencia a bankszektorban
- mesterséges intelligencia robot
- mesterséges intelligencia robotok
- mesterséges intelligencia szoftver
- AWS gépi tanulás
- blockchain
- blokklánc konferencia ai
- coingenius
- társalgási mesterséges intelligencia
- kriptokonferencia ai
- Ügyfélmegoldások
- dall's
- mély tanulás
- google azt
- Közepes (200)
- Life Sciences
- gépi tanulás
- Plató
- plato ai
- Platón adatintelligencia
- Platón játék
- PlatoData
- platogaming
- skála ai
- szintaxis
- zephyrnet