Chronomics zazna rezultate testov za COVID-19 z oznakami po meri Amazon Rekognition

Kronomija je tehnološko-bio podjetje, ki poleg tehnologije uporablja biomarkerje – merljive informacije, vzete iz analize molekul – za demokratizacijo uporabe znanosti in podatkov za izboljšanje življenj ljudi. Njihov cilj je analizirati biološke vzorce in dati koristne informacije, ki vam bodo pomagale pri odločanju – o vsem, kar je pomembno vedeti več o nevidnem. Platforma Chronomics ponudnikom omogoča brezhibno izvajanje diagnostike na domu v velikem obsegu – vse brez žrtvovanja učinkovitosti ali natančnosti. Preko te platforme je obdelal že na milijone testov in zagotavlja visokokakovostno diagnostično izkušnjo.

Med pandemijo COVID-19 je Chronomics prodajal teste lateralnega toka (LFT) za odkrivanje COVID-19. Uporabniki registrirajo test na platformi tako, da naložijo sliko testne kasete in vnesejo ročni odčitek testa (pozitiven, negativen ali neveljaven). Z naraščanjem števila testov in uporabnikov je hitro postalo nepraktično ročno preverjanje, ali se prijavljeni rezultat ujema z rezultatom na sliki testa. Chronomics je želel zgraditi razširljivo rešitev, ki uporablja računalniški vid za preverjanje rezultatov.

V tej objavi delimo, kako je Chronomics uporabljen Amazonsko ponovno vžiganje za samodejno zaznavanje rezultatov testa bočnega toka COVID-19.

Priprava podatkov

Naslednja slika prikazuje sliko testne kasete, ki jo je naložil uporabnik. Nabor podatkov je sestavljen iz slik, kot je ta. Te slike je treba razvrstiti kot pozitivne, negativne ali neveljavne, kar ustreza izidu testa na COVID-19.

Glavni izzivi z naborom podatkov so bili naslednji:

• Neuravnotežen nabor podatkov – Nabor podatkov je bil zelo popačen. Več kot 90 % vzorcev je bilo iz negativnega razreda.
• Nezanesljivi uporabniški vnosi – Odčitki, ki so jih ročno sporočili uporabniki, niso bili zanesljivi. Približno 40 % odčitkov se ni ujemalo z dejanskim rezultatom na sliki.

Za ustvarjanje visokokakovostnega nabora podatkov za usposabljanje so se inženirji Chronomics odločili slediti tem korakom:

• Ročna opomba – Ročno izberite in označite 1,000 slik, da zagotovite enakomerno zastopanost treh razredov
• Povečanje slike – Povečajte označene slike, da povečate število na 10,000

Povečanje slike je bilo izvedeno z uporabo Albumentacije, odprtokodna knjižnica Python. Za ustvarjanje 9,000 sintetičnih slik so bile izvedene številne transformacije, kot so vrtenje, spreminjanje velikosti in svetlost. Te sintetične slike so bile dodane izvirnim slikam, da se ustvari visokokakovosten nabor podatkov.

Izdelava modela računalniškega vida po meri z Amazon Rekognition

Chronomicsovi inženirji so se obrnili proti Oznake po meri za ponovno odstranjevanje Amazon, funkcija Amazon Rekognition z zmogljivostmi AutoML. Ko so zagotovljene slike za usposabljanje, lahko samodejno naloži in pregleda podatke, izbere prave algoritme, usposobi model in zagotovi meritve učinkovitosti modela. To znatno pospeši proces usposabljanja in uvajanja modela računalniškega vida, zaradi česar je Chronomics glavni razlog, da sprejme Amazon Rekognition. Z Amazon Rekognition smo lahko dobili zelo natančen model v 3–4 tednih, namesto da bi porabili 4 mesece za ustvarjanje modela po meri, da bi dosegli želeno zmogljivost.

Naslednji diagram ponazarja model cevovoda usposabljanja. Označene slike so bile najprej predhodno obdelane z uporabo AWS Lambda funkcijo. Ta korak predhodne obdelave je zagotovil, da so bile slike v ustreznem formatu datoteke, izvedel pa je tudi nekaj dodatnih korakov, kot je spreminjanje velikosti slike in pretvorba slike iz RGB v sivine. Ugotovljeno je bilo, da je to izboljšalo zmogljivost modela.

Ko je model usposobljen, ga je mogoče uporabiti za sklepanje z enim klikom ali klicem API-ja.

Zmogljivost in fina nastavitev modela

Model je dal natančnost 96.5 % in rezultat F1 97.9 % na nizu slik izven vzorca. Rezultat F1 je merilo, ki za merjenje učinkovitosti klasifikatorja uporablja tako natančnost kot priklic. The API DetectCustomLabels se uporablja za zaznavanje oznak posredovane slike med sklepanjem. API tudi vrne zaupanje, ki ga ima Rekognition Custom Labels v natančnost predvidene oznake. Naslednji grafikon prikazuje porazdelitev rezultatov zaupanja predvidenih oznak za slike. Os x predstavlja oceno zaupanja, pomnoženo s 100, os y pa število napovedi v log-skali.

Z nastavitvijo praga za oceno zaupanja lahko izločimo napovedi z nižjo stopnjo zaupanja. Prag 0.99 je povzročil natančnost 99.6 %, 5 % napovedi pa je bilo zavrženih. Prag 0.999 je povzročil natančnost 99.87 %, pri čemer je bilo 27 % napovedi zavrženih. Da bi zagotovili pravo poslovno vrednost, je Chronomics izbral prag 0.99, da poveča natančnost in zmanjša zavrnitev napovedi. Za več informacij glejte Analiza slike z izurjenim modelom.

Zavržene napovedi je mogoče usmeriti tudi do človeka v zanki z uporabo Amazon, razširjeni AI (Amazon A2I) za ročno obdelavo slike. Za več informacij o tem, kako to storiti, glejte Uporabite Amazon Augmented AI z Amazonovim ponovnim zagonom.

Naslednja slika je primer, kjer je model pravilno prepoznal test kot neveljaven z zaupanjem 0.999.

zaključek

V tej objavi smo pokazali enostavnost, s katero je Chronomics hitro zgradil in uvedel razširljivo rešitev, ki temelji na računalniškem vidu, ki uporablja Amazon Rekognition za zaznavanje rezultatov testa bočnega toka COVID-19. The API za ponovni vžig Amazon praktikom zelo olajša pospešitev procesa gradnje modelov računalniškega vida.

Izvedite več o tem, kako lahko usposobite modele računalniškega vida za vaš specifični primer poslovne uporabe, tako da obiščete Kako začeti uporabljati oznake po meri Amazon Rekognition in s pregledom Priročnik za nalepke po meri Amazon Rekogmination.

---

O avtorjih

Mattia Spinelli je višji inženir strojnega učenja v biomedicinskem podjetju Chronomics. Platforma Chronomics ponudnikom omogoča brezhibno izvajanje diagnostike na domu v velikem obsegu – vse brez žrtvovanja učinkovitosti ali natančnosti.

Pinak Panigrahi sodeluje s strankami pri izdelavi rešitev, ki temeljijo na strojnem učenju, za reševanje strateških poslovnih problemov na AWS. Ko se ne ukvarja s strojnim učenjem, ga je mogoče najti na pohodu, branju knjige ali športu.

Jay Rao je glavni arhitekt rešitev pri AWS. Uživa v zagotavljanju tehničnih in strateških smernic strankam ter jim pomaga pri oblikovanju in implementaciji rešitev na AWS.

Pashmeen Mistry je višji produktni vodja pri AWS. Zunaj dela Pashmeen uživa v pustolovskih pohodih, fotografiranju in preživljanju časa s svojo družino.