Chronomics מזהה תוצאות בדיקות COVID-19 עם תוויות מותאמות אישית של אמזון זיהוי

כרונומיה היא חברת טכנולוגיה-ביו שמשתמשת בסמנים ביולוגיים - מידע שניתן לכמת שנלקח מניתוח מולקולות - לצד טכנולוגיה לדמוקרטיזציה של השימוש במדע ובנתונים כדי לשפר את חייהם של אנשים. המטרה שלהם היא לנתח דגימות ביולוגיות ולתת מידע שימושי שיעזור לך לקבל החלטות - על כל דבר שבו חשוב לדעת יותר על הבלתי נראה. הפלטפורמה של Chronomics מאפשרת לספקים ליישם בצורה חלקה אבחון בבית בקנה מידה - הכל מבלי לוותר על יעילות או דיוק. היא כבר עיבדה מיליוני בדיקות דרך הפלטפורמה הזו ומספקת חווית אבחון איכותית.

במהלך מגיפת COVID-19, Chronomics מכרה בדיקות זרימה לרוחב (LFT) לגילוי COVID-19. המשתמשים רושמים את הבדיקה בפלטפורמה על ידי העלאת תמונה של קלטת הבדיקה והזנת קריאה ידנית של הבדיקה (חיובית, שלילית או לא חוקית). עם העלייה במספר הבדיקות והמשתמשים, מהר מאוד הפך לבלתי מעשי לאמת באופן ידני אם התוצאה המדווחת תואמת את התוצאה בתמונת הבדיקה. Chronomics רצתה לבנות פתרון מדרגי המשתמש בראייה ממוחשבת כדי לאמת את התוצאות.

בפוסט זה, אנו משתפים כיצד השתמשה ב-Chronomics אמזון כדי לזהות אוטומטית את התוצאות של בדיקת זרימה רוחבית של COVID-19.

הכנת הנתונים

התמונה הבאה מציגה תמונה של קלטת בדיקה שהועלתה על ידי משתמש. מערך הנתונים מורכב מתמונות כמו זו. יש לסווג תמונות אלה כחיוביות, שליליות או לא חוקיות, בהתאם לתוצאה של בדיקת COVID-19.

האתגרים העיקריים עם מערך הנתונים היו הבאים:

• מערך נתונים לא מאוזן - מערך הנתונים היה מוטה ביותר. יותר מ-90% מהדגימות היו מהמעמד השלילי.
• תשומות משתמש לא אמינות – קריאות שדווחו ידנית על ידי המשתמשים לא היו אמינות. בסביבות 40% מהקריאות לא תאמו את התוצאה בפועל מהתמונה.

כדי ליצור מערך הדרכה איכותי, מהנדסי Chronomics החליטו לבצע את השלבים הבאים:

• הערה ידנית - בחר ותווית ידנית של 1,000 תמונות כדי להבטיח ששלושת המחלקות מיוצגות באופן שווה
• הגדלת תמונה - הגדל את התמונות המסומנות כדי להגדיל את המספר ל-10,000

הגדלת תמונה בוצעה באמצעות אלבומים, ספריית Python בקוד פתוח. בוצעו מספר טרנספורמציות כמו סיבוב, שינוי קנה מידה ובהירות כדי ליצור 9,000 תמונות סינתטיות. תמונות סינתטיות אלו נוספו לתמונות המקוריות כדי ליצור מערך נתונים באיכות גבוהה.

בניית מודל ראייה ממוחשבת בהתאמה אישית עם Amazon Rekognition

המהנדסים של Chronomics פנו לעבר תוויות מותאמות אישית של Amazon Rekognition, תכונה של Amazon Rekognition עם יכולות AutoML. לאחר מתן תמונות אימון, הוא יכול לטעון ולבדוק את הנתונים באופן אוטומטי, לבחור את האלגוריתמים הנכונים, לאמן מודל ולספק מדדי ביצועים של המודל. זה מאיץ באופן משמעותי את תהליך ההכשרה והפריסה של מודל ראייה ממוחשבת, מה שהופך אותו לסיבה העיקרית של Chronomics לאמץ את Amazon Rekognition. עם Amazon Rekognition, הצלחנו להשיג מודל מדויק ביותר תוך 3-4 שבועות, בניגוד להשקעה של 4 חודשים בניסיון לבנות מודל מותאם אישית כדי להשיג את הביצועים הרצויים.

התרשים הבא ממחיש את צינור ההדרכה של המודל. התמונות המוערות עברו עיבוד מראש באמצעות an AWS למבדה פוּנקצִיָה. שלב העיבוד המקדים הזה הבטיח שהתמונות יהיו בפורמט הקובץ המתאים וגם ביצע כמה שלבים נוספים כמו שינוי גודל התמונה והמרת התמונה מ-RGB לגווני אפור. נצפה כי זה שיפר את ביצועי המודל.

לאחר הכשרה של המודל, ניתן לפרוס אותו להסקה באמצעות לחיצה אחת בלבד או קריאת API.

ביצועי דגם וכוונון עדין

הדגם הניב דיוק של 96.5% וציון F1 של 97.9% על סט תמונות מחוץ לדגימה. ציון F1 הוא מדד שמשתמש גם בדייקנות וגם בזיכרון כדי למדוד את הביצועים של מסווג. ה API של DetectCustomLabels משמש לזיהוי התוויות של תמונה שסופקה במהלך ההסקה. ה-API גם מחזיר את הביטחון שיש ל-Rekognition Custom Labels בדיוק של התווית החזויה. התרשים הבא מציג את התפלגות ציוני האמון של התוויות החזויות עבור התמונות. ציר ה-x מייצג את ציון הביטחון כפול 100, וציר ה-y הוא ספירת התחזיות בסולם יומן.

על ידי קביעת סף על ציון הביטחון, נוכל לסנן תחזיות בעלות ביטחון נמוך יותר. סף של 0.99 הביא לדיוק של 99.6%, ו-5% מהתחזיות נמחקו. סף של 0.999 הביא לדיוק של 99.87%, כאשר 27% מהתחזיות נמחקו. על מנת לספק את הערך העסקי הנכון, Chronomics בחרה סף של 0.99 כדי למקסם את הדיוק ולמזער את דחיית התחזיות. למידע נוסף, ראה ניתוח תמונה עם מודל מאומן.

ניתן לנתב את התחזיות שהושלכו לאדם שנמצא בלולאה באמצעות אמזון AI מוגדל (Amazon A2I) לעיבוד ידני של התמונה. למידע נוסף כיצד לעשות זאת, עיין ב השתמש ב- Amazon Augmented AI עם Amazon Recognition.

התמונה הבאה היא דוגמה שבה המודל זיהה נכון את הבדיקה כלא חוקית עם ביטחון של 0.999.

סיכום

בפוסט זה, הראינו את הקלות שבה Chronomics בנתה ופריסה במהירות פתרון מבוסס ראייה ממוחשבת הניתן להרחבה המשתמש בזיהוי אמזון כדי לזהות את התוצאה של בדיקת זרימה רוחבית של COVID-19. ה אמזון זיהוי API מקל מאוד על המתרגלים להאיץ את תהליך בניית מודלים של ראייה ממוחשבת.

למד כיצד תוכל לאמן מודלים של ראייה ממוחשבת עבור מקרה השימוש העסקי הספציפי שלך על ידי ביקור תחילת העבודה עם תוויות מותאמות אישית של Amazon Rekognition ועל ידי סקירת מדריך תוויות מותאם אישית להכרה של אמזון.

---

על הכותבים

מתיה ספינלי הוא מהנדס בכיר למידת מכונה בחברת Chronomics, חברה ביו-רפואית. הפלטפורמה של Chronomics מאפשרת לספקים ליישם בצורה חלקה אבחון בבית בקנה מידה - הכל מבלי לוותר על יעילות או דיוק.

פינאק פניגרהי עובד עם לקוחות לבניית פתרונות מונעי למידת מכונה לפתרון בעיות עסקיות אסטרטגיות ב-AWS. כאשר אינו עוסק בלמידת מכונה, ניתן למצוא אותו יוצא לטיול, קורא ספר או מתעדכן בספורט.

ג'יי ראו הוא אדריכל פתרונות ראשי ב-AWS. הוא נהנה לספק הדרכה טכנית ואסטרטגית ללקוחות ולעזור להם לתכנן ולהטמיע פתרונות ב-AWS.

פשמין מיסטרי הוא מנהל מוצר בכיר ב-AWS. מחוץ לעבודה, פשמין נהנה מטיולים הרפתקנים, צילום ובילוי עם משפחתו.