Kronomik adalah perusahaan teknologi-bio yang menggunakan biomarker—informasi terukur yang diambil dari analisis molekul—bersama teknologi untuk mendemokratisasi penggunaan sains dan data guna meningkatkan kehidupan manusia. Tujuan mereka adalah untuk menganalisis sampel biologis dan memberikan informasi yang dapat ditindaklanjuti untuk membantu Anda membuat keputusan—tentang apa pun di mana mengetahui lebih banyak tentang yang tak terlihat itu penting. Platform Chronomics memungkinkan penyedia untuk mengimplementasikan diagnostik di rumah dengan mulus dalam skala besar—semuanya tanpa mengorbankan efisiensi atau akurasi. Itu telah memproses jutaan tes melalui platform ini dan memberikan pengalaman diagnostik berkualitas tinggi.
Selama pandemi COVID-19, Chronomics menjual tes aliran lateral (LFT) untuk mendeteksi COVID-19. Pengguna mendaftarkan tes di platform dengan mengunggah gambar kaset tes dan memasukkan pembacaan tes secara manual (positif, negatif atau tidak valid). Dengan bertambahnya jumlah pengujian dan pengguna, dengan cepat menjadi tidak praktis untuk memverifikasi secara manual jika hasil yang dilaporkan cocok dengan hasil dalam gambar pengujian. Chronomics ingin membangun solusi terukur yang menggunakan visi komputer untuk memverifikasi hasilnya.
Dalam posting ini, kami berbagi bagaimana Chronomics digunakan Rekognisi Amazon untuk secara otomatis mendeteksi hasil uji aliran lateral COVID-19.
Mempersiapkan data
Gambar berikut menunjukkan gambar kaset uji yang diunggah oleh pengguna. Dataset terdiri dari gambar seperti ini. Gambar-gambar ini harus diklasifikasikan sebagai positif, negatif, atau tidak valid, sesuai dengan hasil tes COVID-19.
Tantangan utama dengan kumpulan data adalah sebagai berikut:
- Kumpulan data tidak seimbang – Dataset sangat miring. Lebih dari 90% sampel berasal dari kelas negatif.
- Input pengguna yang tidak dapat diandalkan – Bacaan yang dilaporkan secara manual oleh pengguna tidak dapat diandalkan. Sekitar 40% pembacaan tidak sesuai dengan hasil sebenarnya dari gambar.
Untuk membuat set data pelatihan berkualitas tinggi, teknisi Chronomics memutuskan untuk mengikuti langkah-langkah berikut:
- Anotasi manual – Pilih dan beri label 1,000 gambar secara manual untuk memastikan ketiga kelas terwakili secara merata
- Augmentasi gambar – Perbesar gambar berlabel untuk menambah jumlahnya menjadi 10,000
Augmentasi gambar dilakukan dengan menggunakan Albumentasi, pustaka Python sumber terbuka. Sejumlah transformasi seperti rotasi, skala ulang, dan kecerahan dilakukan untuk menghasilkan 9,000 gambar sintetik. Gambar sintetis ini ditambahkan ke gambar asli untuk membuat kumpulan data berkualitas tinggi.
Membangun model visi komputer kustom dengan Amazon Rekognition
Insinyur Chronomics berbalik arah Label Kustom Amazon Rekognition, fitur Amazon Rekognition dengan kemampuan AutoML. Setelah gambar pelatihan disediakan, ia dapat memuat dan memeriksa data secara otomatis, memilih algoritme yang tepat, melatih model, dan menyediakan metrik kinerja model. Hal ini secara signifikan mempercepat proses pelatihan dan penerapan model visi komputer, menjadikannya alasan utama Chronomics untuk mengadopsi Amazon Rekognition. Dengan Amazon Rekognition, kami bisa mendapatkan model yang sangat akurat dalam 3–4 minggu dibandingkan dengan menghabiskan 4 bulan mencoba membangun model khusus untuk mencapai kinerja yang diinginkan.
Diagram berikut mengilustrasikan alur pelatihan model. Gambar beranotasi pertama kali diproses sebelumnya menggunakan file AWS Lambda fungsi. Langkah preprocessing ini memastikan bahwa gambar berada dalam format file yang sesuai dan juga melakukan beberapa langkah tambahan seperti mengubah ukuran gambar dan mengonversi gambar dari RGB ke skala abu-abu. Diamati bahwa ini meningkatkan kinerja model.
Setelah model dilatih, model dapat diterapkan untuk inferensi hanya dengan satu klik atau panggilan API.
Model kinerja dan fine-tuning
Model menghasilkan akurasi 96.5% dan skor F1 97.9% pada satu set gambar di luar sampel. Skor F1 adalah ukuran yang menggunakan presisi dan daya ingat untuk mengukur kinerja pengklasifikasi. Itu Deteksi API LabelKustom digunakan untuk mendeteksi label dari gambar yang disediakan selama inferensi. API juga mengembalikan keyakinan yang dimiliki Label Khusus Pengakuan dalam keakuratan label yang diprediksi. Bagan berikut memiliki distribusi skor kepercayaan dari label yang diprediksi untuk gambar tersebut. Sumbu x mewakili skor kepercayaan dikalikan 100, dan sumbu y adalah hitungan prediksi dalam skala log.
Dengan menetapkan ambang batas pada skor kepercayaan, kita dapat memfilter prediksi yang memiliki kepercayaan lebih rendah. Ambang batas 0.99 menghasilkan akurasi 99.6%, dan 5% prediksi dibuang. Ambang batas 0.999 menghasilkan akurasi 99.87%, dengan 27% dari prediksi dibuang. Untuk memberikan nilai bisnis yang tepat, Chronomics memilih ambang 0.99 untuk memaksimalkan akurasi dan meminimalkan penolakan prediksi. Untuk informasi lebih lanjut, lihat Menganalisis gambar dengan model terlatih.
Prediksi yang dibuang juga dapat dialihkan ke manusia dalam lingkaran menggunakan Amazon Augmented AI (Amazon A2I) untuk memproses gambar secara manual. Untuk informasi lebih lanjut tentang cara melakukan ini, lihat Gunakan Amazon Augmented AI dengan Amazon Rekognition.
Gambar berikut adalah contoh di mana model telah mengidentifikasi pengujian dengan benar sebagai tidak valid dengan tingkat kepercayaan 0.999.
Kesimpulan
Dalam postingan ini, kami menunjukkan kemudahan Chronomics dengan cepat membangun dan menerapkan solusi berbasis visi komputer yang dapat diskalakan yang menggunakan Amazon Rekognition untuk mendeteksi hasil uji aliran lateral COVID-19. Itu API Rekognisi Amazon sangat memudahkan para praktisi untuk mempercepat proses pembuatan model computer vision.
Pelajari tentang cara melatih model visi komputer untuk kasus penggunaan bisnis khusus Anda dengan mengunjungi Memulai label kustom Amazon Rekognition dan dengan meninjau Panduan Label Kustom Pengakuan Amazon.
Tentang Penulis
Mattia Spinelli adalah Senior Machine Learning Engineer di Chronomics, sebuah perusahaan biomedis. Platform Chronomics memungkinkan penyedia untuk mengimplementasikan diagnostik di rumah dengan mulus dalam skala besar—semuanya tanpa mengorbankan efisiensi atau akurasi.
Pinak Panigrahi bekerja dengan pelanggan untuk membangun solusi berbasis pembelajaran mesin untuk memecahkan masalah bisnis strategis di AWS. Saat tidak sibuk dengan pembelajaran mesin, dia dapat ditemukan sedang berjalan-jalan, membaca buku, atau mengikuti olahraga.
Jay Rao adalah Arsitek Solusi Utama di AWS. Dia senang memberikan panduan teknis dan strategis kepada pelanggan dan membantu mereka merancang dan mengimplementasikan solusi di AWS.
Mistry pashmeen adalah Manajer Produk Senior di AWS. Di luar pekerjaan, Pashmeen menikmati pendakian yang penuh petualangan, fotografi, dan menghabiskan waktu bersama keluarganya.
- AI
- ai seni
- generator seni ai
- punya robot
- Rekognisi Amazon
- kecerdasan buatan
- sertifikasi kecerdasan buatan
- kecerdasan buatan dalam perbankan
- robot kecerdasan buatan
- robot kecerdasan buatan
- perangkat lunak kecerdasan buatan
- Pembelajaran Mesin AWS
- blockchain
- konferensi blockchain
- kecerdasan
- kecerdasan buatan percakapan
- konferensi kripto
- Solusi Pelanggan
- dall's
- belajar mendalam
- google itu
- Menengah (200)
- Biologi
- Mesin belajar
- plato
- plato ai
- Kecerdasan Data Plato
- Permainan Plato
- Data Plato
- permainan plato
- skala ai
- sintaksis
- zephyrnet.dll
