Chronomics upptäcker COVID-19-testresultat med Amazon Rekognition Custom Labels

Kronomi är ett tech-bioföretag som använder biomarkörer – kvantifierbar information hämtad från analys av molekyler – tillsammans med teknik för att demokratisera användningen av vetenskap och data för att förbättra människors liv. Deras mål är att analysera biologiska prover och ge användbar information som hjälper dig att fatta beslut – om allt där det är viktigt att veta mer om det osynliga. Chronomics plattform gör det möjligt för leverantörer att sömlöst implementera diagnostik hemma i stor skala – allt utan att offra effektivitet eller noggrannhet. Den har redan bearbetat miljontals tester genom denna plattform och levererar en diagnostikupplevelse av hög kvalitet.

Under covid-19-pandemin sålde Chronomics sidoflödestester (LFT) för att upptäcka covid-19. Användarna registrerar testet på plattformen genom att ladda upp en bild av testkassetten och ange en manuell avläsning av testet (positivt, negativt eller ogiltigt). Med ökningen av antalet tester och användare blev det snabbt opraktiskt att manuellt verifiera om det rapporterade resultatet stämde med resultatet på bilden av testet. Chronomics ville bygga en skalbar lösning som använder datorseende för att verifiera resultaten.

I det här inlägget delar vi hur Chronomics använde Amazon-erkännande för att automatiskt upptäcka resultaten av ett covid-19 sidoflödestest.

Förbereda data

Följande bild visar bilden av en testkassett som laddats upp av en användare. Datauppsättningen består av bilder som denna. Dessa bilder ska klassificeras som positiva, negativa eller ogiltiga, vilket motsvarar resultatet av ett COVID-19-test.

De största utmaningarna med datamängden var följande:

• Obalanserad datauppsättning – Datauppsättningen var extremt skev. Mer än 90 % av proverna var från den negativa klassen.
• Otillförlitliga användarinmatningar – Avläsningar som rapporterades manuellt av användarna var inte tillförlitliga. Cirka 40 % av avläsningarna matchade inte det faktiska resultatet från bilden.

För att skapa en utbildningsdatauppsättning av hög kvalitet beslutade Chronomics ingenjörer att följa dessa steg:

• Manuell anteckning – Välj och märk 1,000 XNUMX bilder manuellt för att säkerställa att de tre klasserna är jämnt representerade
• Bildförstärkning – Förstärk de märkta bilderna för att öka antalet till 10,000 XNUMX

Bildförstärkning utfördes med hjälp av Albumentationer, ett Python-bibliotek med öppen källkod. Ett antal transformationer som rotation, omskalning och ljusstyrka utfördes för att generera 9,000 XNUMX syntetiska bilder. Dessa syntetiska bilder lades till i originalbilderna för att skapa en datauppsättning av hög kvalitet.

Bygga en anpassad datorvisionsmodell med Amazon Rekognition

Chronomics ingenjörer vände sig mot Amazon Rekognition anpassade etiketter, en funktion i Amazon Rekognition med AutoML-funktioner. Efter att träningsbilder har tillhandahållits kan den automatiskt ladda och inspektera data, välja rätt algoritmer, träna en modell och tillhandahålla modellprestandamått. Detta påskyndar avsevärt processen att träna och distribuera en datorseendemodell, vilket gör det till den främsta anledningen för Chronomics att anta Amazon Rekognition. Med Amazon Rekognition kunde vi få en mycket exakt modell på 3–4 veckor i motsats till att spendera 4 månader på att försöka bygga en anpassad modell för att uppnå önskad prestanda.

Följande diagram illustrerar modellens utbildningspipeline. De kommenterade bilderna förbehandlades först med en AWS Lambda fungera. Detta förbearbetningssteg säkerställde att bilderna var i rätt filformat och utförde även några ytterligare steg som att ändra storlek på bilden och konvertera bilden från RGB till gråskala. Det observerades att detta förbättrade modellens prestanda.

Efter att modellen har tränats kan den distribueras för slutledning med bara ett enda klick eller API-anrop.

Modellprestanda och finjustering

Modellen gav en noggrannhet på 96.5 % och en F1-poäng på 97.9 % på en uppsättning bilder utanför urvalet. F1-poängen är ett mått som använder både precision och återkallelse för att mäta prestandan hos en klassificerare. De DetectCustomLabels API används för att detektera etiketterna för en medföljande bild under slutledning. API:et ger också tillbaka det förtroende som Rekognition Custom Labels har för noggrannheten hos den förutsedda etiketten. Följande diagram visar fördelningen av konfidenspoängen för de förutsagda etiketterna för bilderna. X-axeln representerar konfidenspoängen multiplicerad med 100, och y-axeln är räkningen av förutsägelserna i log-skala.

Genom att sätta en tröskel för konfidenspoängen kan vi filtrera bort förutsägelser som har lägre konfidens. En tröskel på 0.99 resulterade i en noggrannhet på 99.6 %, och 5 % av förutsägelserna förkastades. En tröskel på 0.999 resulterade i en noggrannhet på 99.87 %, med 27 % av förutsägelserna förkastade. För att leverera rätt affärsvärde valde Chronomics ett tröskelvärde på 0.99 för att maximera noggrannheten och minimera förkastandet av förutsägelser. För mer information, se Analysera en bild med en utbildad modell.

De kasserade förutsägelserna kan också dirigeras till en människa i slingan med hjälp av Amazon Augmented AI (Amazon A2I) för manuell bearbetning av bilden. För mer information om hur du gör detta, se Använd Amazon Augmented AI med Amazon Rekognition.

Följande bild är ett exempel där modellen korrekt har identifierat testet som ogiltigt med en konfidens på 0.999.

Slutsats

I det här inlägget visade vi hur lätt Chronomics snabbt byggde och distribuerade en skalbar datorvisionsbaserad lösning som använder Amazon Rekognition för att upptäcka resultatet av ett COVID-19 lateralt flödestest. De API för Amazon Rekognition gör det mycket enkelt för utövare att påskynda processen att bygga datorseendemodeller.

Läs mer om hur du kan träna datorseende modeller för ditt specifika affärsanvändningsfall genom att besöka Komma igång med anpassade etiketter för Amazon Rekognition och genom att granska Guide för anpassade etiketter för Amazon Rekognition.

---

Om författarna

Mattia Spinelli är Senior Machine Learning Engineer på Chronomics, ett biomedicinskt företag. Chronomics plattform gör det möjligt för leverantörer att sömlöst implementera diagnostik hemma i stor skala – allt utan att offra effektivitet eller noggrannhet.

Pinak Panigrahi arbetar med kunder för att bygga maskininlärningsdrivna lösningar för att lösa strategiska affärsproblem på AWS. När han inte är sysselsatt med maskininlärning kan han hittas på en vandring, läsa en bok eller komma ikapp med sport.

Jay Rao är en Principal Solutions Architect på AWS. Han tycker om att ge teknisk och strategisk vägledning till kunder och hjälpa dem att designa och implementera lösningar på AWS.

Pashmeen Mistry är Senior Product Manager på AWS. Utanför jobbet gillar Pashmeen äventyrliga vandringar, fotografering och att umgås med sin familj.