Chronomics detecta resultados de testes de COVID-19 com rótulos personalizados do Amazon Rekognition

Cronômica é uma empresa de biotecnologia que usa biomarcadores – informações quantificáveis ​​obtidas da análise de moléculas – juntamente com a tecnologia para democratizar o uso da ciência e dos dados para melhorar a vida das pessoas. O objetivo deles é analisar amostras biológicas e fornecer informações acionáveis ​​para ajudá-lo a tomar decisões - sobre qualquer coisa em que seja importante saber mais sobre o invisível. A plataforma da Chronomics permite que os provedores implementem facilmente diagnósticos domésticos em escala - tudo sem sacrificar a eficiência ou a precisão. Já processou milhões de testes por meio dessa plataforma e oferece uma experiência de diagnóstico de alta qualidade.

Durante a pandemia do COVID-19, a Chronomics vendeu testes de fluxo lateral (LFT) para detectar o COVID-19. Os usuários registram o teste na plataforma fazendo upload de uma foto do cassete de teste e inserindo uma leitura manual do teste (positivo, negativo ou inválido). Com o aumento do número de testes e usuários, tornou-se rapidamente inviável verificar manualmente se o resultado informado batia com o resultado da imagem do teste. A Chronomics queria construir uma solução escalável que usa visão computacional para verificar os resultados.

Nesta postagem, compartilhamos como o Chronomics usou Reconhecimento da Amazônia para detectar automaticamente os resultados de um teste de fluxo lateral COVID-19.

Preparando os dados

A imagem a seguir mostra a imagem de um cassete de teste carregado por um usuário. O conjunto de dados consiste em imagens como esta. Essas imagens devem ser classificadas como positivas, negativas ou inválidas, correspondendo ao resultado de um teste de COVID-19.

Os principais desafios com o conjunto de dados foram os seguintes:

• conjunto de dados desbalanceado – O conjunto de dados estava extremamente distorcido. Mais de 90% das amostras eram da classe negativa.
• Entradas de usuário não confiáveis – As leituras relatadas manualmente pelos usuários não eram confiáveis. Cerca de 40% das leituras não corresponderam ao resultado real da imagem.

Para criar um conjunto de dados de treinamento de alta qualidade, os engenheiros da Chronomics decidiram seguir estas etapas:

• Anotação manual – Selecione e rotule manualmente 1,000 imagens para garantir que as três classes sejam representadas uniformemente
• Aumento de imagem – Aumente as imagens rotuladas para aumentar o número para 10,000

O aumento da imagem foi realizado usando Albumentações, uma biblioteca Python de código aberto. Uma série de transformações como rotação, redimensionamento e brilho foram realizadas para gerar 9,000 imagens sintéticas. Essas imagens sintéticas foram adicionadas às imagens originais para criar um conjunto de dados de alta qualidade.

Criação de um modelo personalizado de visão computacional com o Amazon Rekognition

Os engenheiros da Chronomics voltaram-se para Rótulos personalizados do Amazon Rekognition, um recurso do Amazon Rekognition com recursos de AutoML. Depois que as imagens de treinamento são fornecidas, ele pode carregar e inspecionar automaticamente os dados, selecionar os algoritmos corretos, treinar um modelo e fornecer métricas de desempenho do modelo. Isso acelera significativamente o processo de treinamento e implantação de um modelo de visão computacional, tornando-se o principal motivo para a Chronomics adotar o Amazon Rekognition. Com o Amazon Rekognition, conseguimos um modelo altamente preciso em 3 a 4 semanas, em vez de gastar 4 meses tentando criar um modelo personalizado para obter o desempenho desejado.

O diagrama a seguir ilustra o pipeline de treinamento do modelo. As imagens anotadas foram primeiro pré-processadas usando um AWS Lambda função. Essa etapa de pré-processamento garantiu que as imagens estivessem no formato de arquivo apropriado e também executou algumas etapas adicionais, como redimensionar a imagem e converter a imagem de RGB para tons de cinza. Foi observado que isso melhorou o desempenho do modelo.

Após o treinamento do modelo, ele pode ser implantado para inferência usando apenas um único clique ou chamada de API.

Desempenho e ajuste fino do modelo

O modelo rendeu uma precisão de 96.5% e uma pontuação F1 de 97.9% em um conjunto de imagens fora da amostra. A pontuação F1 é uma medida que usa precisão e revocação para medir o desempenho de um classificador. o API DetectCustomLabels é usado para detectar os rótulos de uma imagem fornecida durante a inferência. A API também retorna a confiança que o Rekognition Custom Labels tem na precisão do rótulo previsto. O gráfico a seguir apresenta a distribuição dos escores de confiança dos rótulos previstos para as imagens. O eixo x representa a pontuação de confiança multiplicada por 100 e o eixo y é a contagem das previsões em escala logarítmica.

Ao definir um limite na pontuação de confiança, podemos filtrar as previsões com menor confiança. Um limite de 0.99 resultou em uma precisão de 99.6% e 5% das previsões foram descartadas. Um limite de 0.999 resultou em uma precisão de 99.87%, com 27% das previsões descartadas. A fim de fornecer o valor comercial certo, a Chronomics escolheu um limite de 0.99 para maximizar a precisão e minimizar a rejeição de previsões. Para mais informações, veja Analisando uma imagem com um modelo treinado.

As previsões descartadas também podem ser roteadas para um humano no loop usando IA aumentada da Amazon (Amazon A2I) para processar manualmente a imagem. Para obter mais informações sobre como fazer isso, consulte Use Amazon Augmented AI com Amazon Rekognition.

A imagem a seguir é um exemplo em que o modelo identificou corretamente o teste como inválido com uma confiança de 0.999.

Conclusão

Nesta postagem, mostramos a facilidade com que a Chronomics criou e implantou rapidamente uma solução escalável baseada em visão computacional que usa o Amazon Rekognition para detectar o resultado de um teste de fluxo lateral COVID-19. o API do Amazon Rekognition torna muito fácil para os profissionais acelerar o processo de construção de modelos de visão computacional.

Saiba como você pode treinar modelos de visão computacional para seu caso de uso de negócios específico visitando Conceitos básicos dos rótulos personalizados do Amazon Rekognition e revisando o Guia de rótulos personalizados do Amazon Rekognition.

---

Sobre os autores

Mattia Spinelli é Engenheiro Sênior de Machine Learning na Chronomics, uma empresa biomédica. A plataforma da Chronomics permite que os provedores implementem facilmente diagnósticos domésticos em escala - tudo sem sacrificar a eficiência ou a precisão.

Pinak Panigrahi trabalha com clientes para criar soluções baseadas em aprendizado de máquina para resolver problemas estratégicos de negócios na AWS. Quando não está ocupado com aprendizado de máquina, ele pode ser encontrado fazendo uma caminhada, lendo um livro ou praticando esportes.

Jay Rao é um arquiteto de soluções principal na AWS. Ele gosta de fornecer orientação técnica e estratégica aos clientes e ajudá-los a projetar e implementar soluções na AWS.

Mistério Pashmeen é gerente de produto sênior da AWS. Fora do trabalho, Pashmeen gosta de caminhadas aventureiras, fotografia e passar o tempo com sua família.