크로노믹스 는 사람들의 삶을 개선하기 위해 과학과 데이터의 사용을 민주화하기 위해 기술과 함께 분자 분석에서 가져온 정량화 가능한 정보인 바이오마커를 사용하는 테크-바이오 회사입니다. 그들의 목표는 생물학적 샘플을 분석하고 보이지 않는 것에 대해 더 많이 아는 것이 중요한 모든 것에 대해 결정을 내리는 데 도움이 되는 실행 가능한 정보를 제공하는 것입니다. Chronomics의 플랫폼을 사용하면 공급자는 효율성이나 정확성을 희생하지 않고도 규모에 맞게 재택 진단을 원활하게 구현할 수 있습니다. 이미 이 플랫폼을 통해 수백만 건의 테스트를 처리했으며 고품질 진단 경험을 제공합니다.
COVID-19 대유행 기간 동안 Chronomics는 COVID-19를 감지하기 위한 측면 흐름 테스트(LFT)를 판매했습니다. 사용자는 테스트 카세트의 사진을 업로드하고 테스트의 수동 판독값(양성, 음성 또는 무효)을 입력하여 플랫폼에 테스트를 등록합니다. 테스트 및 사용자 수가 증가함에 따라 보고된 결과가 테스트 사진의 결과와 일치하는지 수동으로 확인하는 것은 금세 비실용적이 되었습니다. Chronomics는 컴퓨터 비전을 사용하여 결과를 확인하는 확장 가능한 솔루션을 구축하고자 했습니다.
이 게시물에서는 Chronomics가 어떻게 사용되었는지 공유합니다. 아마존 인식 COVID-19 측면 흐름 테스트 결과를 자동으로 감지합니다.
데이터 준비
다음 이미지는 사용자가 업로드한 테스트 카세트의 사진을 보여줍니다. 데이터 세트는 이와 같은 이미지로 구성됩니다. 이러한 이미지는 COVID-19 테스트 결과에 따라 양성, 음성 또는 무효로 분류됩니다.
데이터 세트의 주요 과제는 다음과 같습니다.
- 불균형 데이터 세트 – 데이터 세트가 극도로 왜곡되었습니다. 샘플의 90% 이상이 네거티브 클래스에서 나왔습니다.
- 신뢰할 수 없는 사용자 입력 – 사용자가 수동으로 보고한 판독값은 신뢰할 수 없었습니다. 판독값의 약 40%가 그림의 실제 결과와 일치하지 않았습니다.
고품질 교육 데이터 세트를 만들기 위해 Chronomics 엔지니어는 다음 단계를 따르기로 결정했습니다.
- 수동 주석 – 1,000개의 이미지를 수동으로 선택하고 레이블을 지정하여 세 가지 클래스가 고르게 표시되도록 합니다.
- 이미지 확대 – 레이블이 지정된 이미지를 보강하여 숫자를 10,000으로 늘립니다.
이미지 확대는 다음을 사용하여 수행되었습니다. 알부민, 오픈 소스 Python 라이브러리. 9,000개의 합성 이미지를 생성하기 위해 회전, 크기 조정 및 밝기와 같은 여러 변환이 수행되었습니다. 이러한 합성 이미지는 원본 이미지에 추가되어 고품질 데이터 세트를 생성했습니다.
Amazon Rekognition으로 사용자 지정 컴퓨터 비전 모델 구축
Chronomics의 엔지니어들은 Amazon Rekognition 사용자 지정 레이블, AutoML 기능이 있는 Amazon Rekognition의 기능입니다. 학습 이미지가 제공되면 자동으로 데이터를 로드 및 검사하고, 올바른 알고리즘을 선택하고, 모델을 학습하고, 모델 성능 메트릭을 제공할 수 있습니다. 이는 컴퓨터 비전 모델의 교육 및 배포 프로세스를 크게 가속화하므로 Chronomics가 Amazon Rekognition을 채택하는 주된 이유가 됩니다. Amazon Rekognition을 사용하여 원하는 성능을 달성하기 위해 사용자 지정 모델을 구축하는 데 3개월을 소비하는 대신 4~4주 만에 매우 정확한 모델을 얻을 수 있었습니다.
다음 다이어그램은 모델 학습 파이프라인을 보여줍니다. 주석이 달린 이미지는 먼저 다음을 사용하여 전처리되었습니다. AWS 람다 기능. 이 전처리 단계는 이미지가 적절한 파일 형식인지 확인하고 이미지 크기 조정 및 이미지를 RGB에서 그레이스케일로 변환과 같은 몇 가지 추가 단계를 수행했습니다. 이는 모델의 성능을 향상시키는 것으로 관찰되었습니다.
모델이 학습된 후에는 단 한 번의 클릭 또는 API 호출을 사용하여 추론을 위해 배포할 수 있습니다.
모델 성능 및 미세 조정
이 모델은 샘플 외 이미지 세트에서 96.5%의 정확도와 1%의 F97.9 점수를 산출했습니다. F1 점수는 정밀도와 재현율을 모두 사용하여 분류기의 성능을 측정하는 척도입니다. 그만큼 DetectCustomLabels API 추론 중에 제공된 이미지의 레이블을 감지하는 데 사용됩니다. API는 또한 Rekognition Custom Labels가 예측 레이블의 정확성에 대해 갖고 있는 신뢰도를 반환합니다. 다음 차트에는 이미지에 대한 예측 레이블의 신뢰도 점수 분포가 나와 있습니다. x축은 100을 곱한 신뢰도 점수를 나타내고 y축은 로그 스케일의 예측 수입니다.
신뢰도 점수에 임계값을 설정하면 신뢰도가 낮은 예측을 필터링할 수 있습니다. 0.99의 임계값은 99.6%의 정확도를 가져왔고 예측의 5%는 폐기되었습니다. 0.999의 임계값은 99.87%의 정확도를 가져왔고 예측의 27%는 무시되었습니다. 올바른 비즈니스 가치를 제공하기 위해 Chronomics는 정확도를 최대화하고 예측 거부를 최소화하기 위해 0.99의 임계값을 선택했습니다. 자세한 내용은 다음을 참조하십시오. 학습된 모델로 이미지 분석.
폐기된 예측은 다음을 사용하여 루프에서 인간에게 라우팅될 수도 있습니다. 아마존 증강 AI (Amazon A2I) 이미지를 수동으로 처리합니다. 이를 수행하는 방법에 대한 자세한 내용은 다음을 참조하십시오. Amazon Rekognition과 함께 Amazon Augmented AI 사용.
다음 이미지는 모델이 신뢰도 0.999로 테스트를 유효하지 않은 것으로 올바르게 식별한 예입니다.
결론
이 게시물에서는 Chronomics가 Amazon Rekognition을 사용하여 COVID-19 측면 흐름 테스트 결과를 감지하는 확장 가능한 컴퓨터 비전 기반 솔루션을 신속하게 구축하고 배포하는 용이성을 보여주었습니다. 그만큼 Amazon Rekognition API 실무자가 컴퓨터 비전 모델 구축 프로세스를 매우 쉽게 가속화할 수 있습니다.
다음을 방문하여 특정 비즈니스 사용 사례에 대한 컴퓨터 비전 모델을 교육할 수 있는 방법에 대해 알아보십시오. Amazon Rekognition 사용자 지정 레이블 시작하기 그리고 검토를 통해 Amazon Rekognition 사용자 지정 레이블 안내서.
저자에 관하여
마티아 스피넬리 생물 의학 회사인 Chronomics의 수석 기계 학습 엔지니어입니다. Chronomics의 플랫폼을 사용하면 공급자는 효율성이나 정확성을 희생하지 않고도 규모에 맞게 재택 진단을 원활하게 구현할 수 있습니다.
피낙 파니그라히 고객과 협력하여 기계 학습 기반 솔루션을 구축하여 AWS에서 전략적 비즈니스 문제를 해결합니다. 기계 학습에 몰두하지 않을 때는 하이킹을 하거나 책을 읽거나 스포츠를 따라잡는 것을 볼 수 있습니다.
제이 라오 AWS의 수석 솔루션 아키텍트입니다. 그는 고객에게 기술 및 전략적 지침을 제공하고 고객이 AWS에서 솔루션을 설계 및 구현하도록 돕는 것을 즐깁니다.
파시민 미스트리 AWS의 선임 제품 관리자입니다. 업무 외에 Pashmeen은 모험적인 하이킹, 사진 촬영, 가족과의 시간 보내기를 즐깁니다.
