Chronomics detectează rezultatele testelor COVID-19 cu Amazon Rekognition Custom Labels

Cronomica este o companie tech-bio care utilizează biomarkeri - informații cuantificabile luate din analiza moleculelor - alături de tehnologie pentru a democratiza utilizarea științei și a datelor pentru a îmbunătăți viața oamenilor. Scopul lor este să analizeze mostre biologice și să ofere informații utile pentru a vă ajuta să luați decizii - despre orice este important să știți mai multe despre nevăzut. Platforma Chronomics permite furnizorilor să implementeze fără probleme diagnostice la domiciliu la scară – totul fără a sacrifica eficiența sau acuratețea. A procesat deja milioane de teste prin această platformă și oferă o experiență de diagnosticare de înaltă calitate.

În timpul pandemiei de COVID-19, Chronomics a vândut teste de flux lateral (LFT) pentru detectarea COVID-19. Utilizatorii înregistrează testul pe platformă încărcând o poză a casetei de test și introducând o citire manuală a testului (pozitiv, negativ sau invalid). Odată cu creșterea numărului de teste și utilizatori, a devenit rapid imposibil să se verifice manual dacă rezultatul raportat se potrivea cu rezultatul din imaginea testului. Chronomics a dorit să construiască o soluție scalabilă care să folosească viziunea computerizată pentru a verifica rezultatele.

În această postare, împărtășim cum a folosit Chronomics Amazon Rekognition pentru a detecta automat rezultatele unui test de flux lateral COVID-19.

Pregătirea datelor

Următoarea imagine arată imaginea unei casete de test încărcate de un utilizator. Setul de date este format din imagini ca aceasta. Aceste imagini trebuie clasificate drept pozitive, negative sau invalide, corespunzătoare rezultatului unui test COVID-19.

Principalele provocări ale setului de date au fost următoarele:

• Set de date dezechilibrat – Setul de date a fost extrem de distorsionat. Peste 90% din probe au fost din clasa negativă.
• Intrări nesigure ale utilizatorului – Citirile care au fost raportate manual de utilizatori nu au fost de încredere. Aproximativ 40% dintre citiri nu s-au potrivit cu rezultatul real din imagine.

Pentru a crea un set de date de antrenament de înaltă calitate, inginerii Chronomics au decis să urmeze acești pași:

• Adnotare manuală – Selectați și etichetați manual 1,000 de imagini pentru a vă asigura că cele trei clase sunt reprezentate uniform
• Mărirea imaginii – Măriți imaginile etichetate pentru a crește numărul la 10,000

Mărirea imaginii a fost efectuată folosind Albumentații, o bibliotecă Python open-source. Au fost efectuate o serie de transformări precum rotația, redimensionarea și luminozitatea pentru a genera 9,000 de imagini sintetice. Aceste imagini sintetice au fost adăugate imaginilor originale pentru a crea un set de date de înaltă calitate.

Construirea unui model personalizat de viziune computerizată cu Amazon Rekognition

Inginerii Chronomics s-au întors spre Etichete personalizate Amazon Rekognition, o caracteristică a Amazon Rekognition cu capabilități AutoML. După ce sunt furnizate imagini de antrenament, acesta poate încărca și inspecta automat datele, poate selecta algoritmii potriviți, poate antrena un model și poate furniza valori de performanță a modelului. Acest lucru accelerează semnificativ procesul de instruire și implementare a unui model de viziune computerizată, făcând din acesta motivul principal pentru care Chronomics adoptă Amazon Rekognition. Cu Amazon Rekognition, am reușit să obținem un model foarte precis în 3-4 săptămâni, spre deosebire de a petrece 4 luni încercând să construim un model personalizat pentru a obține performanța dorită.

Următoarea diagramă ilustrează canalul de antrenament al modelului. Imaginile adnotate au fost mai întâi preprocesate folosind un AWS Lambdas funcţie. Acest pas de preprocesare a asigurat că imaginile erau în formatul de fișier adecvat și a efectuat, de asemenea, câțiva pași suplimentari, cum ar fi redimensionarea imaginii și conversia imaginii din RGB în tonuri de gri. S-a observat că acest lucru a îmbunătățit performanța modelului.

După ce modelul a fost antrenat, acesta poate fi implementat pentru inferență folosind doar un singur clic sau apel API.

Performanța modelului și reglajul fin

Modelul a oferit o acuratețe de 96.5% și un scor F1 de 97.9% pe un set de imagini în afara eșantionului. Scorul F1 este o măsură care utilizează atât precizia, cât și reamintirea pentru a măsura performanța unui clasificator. The API-ul DetectCustomLabels este utilizat pentru a detecta etichetele unei imagini furnizate în timpul inferenței. API-ul returnează, de asemenea, încrederea pe care o are Rekognition Custom Labels în acuratețea etichetei prezise. Următorul grafic prezintă distribuția scorurilor de încredere ale etichetelor prezise pentru imagini. Axa x reprezintă scorul de încredere înmulțit cu 100, iar axa y este numărul de predicții la scară logaritmică.

Prin stabilirea unui prag pentru scorul de încredere, putem filtra predicțiile care au o încredere mai mică. Un prag de 0.99 a dus la o precizie de 99.6%, iar 5% dintre predicții au fost eliminate. Un prag de 0.999 a dus la o acuratețe de 99.87%, cu 27% din predicții eliminate. Pentru a oferi valoarea corectă a afacerii, Chronomics a ales un prag de 0.99 pentru a maximiza acuratețea și a minimiza respingerea predicțiilor. Pentru mai multe informații, vezi Analizarea unei imagini cu un model antrenat.

Predicțiile aruncate pot fi, de asemenea, direcționate către un om în buclă folosind AI augmentată Amazon (Amazon A2I) pentru procesarea manuală a imaginii. Pentru mai multe informații despre cum să faceți acest lucru, consultați Utilizați Amazon Augmented AI cu Amazon Rekognition.

Următoarea imagine este un exemplu în care modelul a identificat corect testul ca nevalid, cu o încredere de 0.999.

Concluzie

În această postare, am arătat ușurința cu care Chronomics a construit și a implementat rapid o soluție scalabilă bazată pe computer vision care utilizează Amazon Rekognition pentru a detecta rezultatul unui test de flux lateral COVID-19. The API-ul Amazon Rekognition face foarte ușor pentru practicieni să accelereze procesul de construire a modelelor de viziune computerizată.

Aflați despre cum puteți antrena modele de viziune computerizată pentru cazul dvs. specific de utilizare în afaceri vizitând Noțiuni introductive despre etichetele personalizate Amazon Rekognition iar prin revizuirea Ghid de etichete personalizate Amazon Rekognition.

---

Despre Autori

Mattia Spinelli este inginer senior de învățare automată la Chronomics, o companie biomedicală. Platforma Chronomics permite furnizorilor să implementeze fără probleme diagnostice la domiciliu la scară – totul fără a sacrifica eficiența sau acuratețea.

Pinak Panigrahi lucrează cu clienții pentru a construi soluții bazate pe învățarea automată pentru a rezolva probleme strategice de afaceri pe AWS. Când nu este ocupat cu învățarea automată, el poate fi găsit făcând o excursie, citind o carte sau ajungând din urmă cu sportul.

Jay Rao este arhitect principal de soluții la AWS. Îi place să ofere îndrumări tehnice și strategice clienților și să îi ajute să proiecteze și să implementeze soluții pe AWS.

Pashmeen Mistry este Senior Product Manager la AWS. În afara serviciului, lui Pashmeen îi plac drumețiile aventuroase, fotografierea și petrecerea timpului cu familia sa.