Chronomics ตรวจจับผลการทดสอบ COVID-19 ด้วยป้ายกำกับที่กำหนดเองของ Amazon Rekognition

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

โครโนมิกส์ เป็นบริษัทเทคโนโลยีชีวภาพที่ใช้ไบโอมาร์คเกอร์ ซึ่งเป็นข้อมูลเชิงปริมาณที่ได้จากการวิเคราะห์โมเลกุลควบคู่ไปกับเทคโนโลยีเพื่อทำให้การใช้วิทยาศาสตร์และข้อมูลเป็นประชาธิปไตยเพื่อปรับปรุงชีวิตของผู้คน เป้าหมายของพวกเขาคือการวิเคราะห์ตัวอย่างทางชีววิทยาและให้ข้อมูลที่นำไปใช้ได้จริงเพื่อช่วยคุณในการตัดสินใจเกี่ยวกับทุกสิ่งที่การรู้เพิ่มเติมเกี่ยวกับสิ่งเร้นลับเป็นสิ่งสำคัญ แพลตฟอร์มของ Chronomics ช่วยให้ผู้ให้บริการใช้การวินิจฉัยที่บ้านตามขนาดได้อย่างราบรื่น ทั้งหมดนี้โดยไม่สูญเสียประสิทธิภาพหรือความแม่นยำ ได้ประมวลผลการทดสอบหลายล้านครั้งผ่านแพลตฟอร์มนี้และมอบประสบการณ์การวินิจฉัยคุณภาพสูง

ในช่วงการระบาดของโควิด-19 Chronomics ได้จำหน่ายการทดสอบการไหลด้านข้าง (LFT) เพื่อตรวจหา COVID-19 ผู้ใช้ลงทะเบียนการทดสอบบนแพลตฟอร์มโดยอัพโหลดรูปภาพของตลับทดสอบและป้อนการอ่านการทดสอบด้วยตนเอง (บวก ลบ หรือไม่ถูกต้อง) ด้วยจำนวนการทดสอบและผู้ใช้ที่เพิ่มขึ้น การตรวจสอบด้วยตนเองอย่างรวดเร็วจึงกลายเป็นเรื่องยากหากผลลัพธ์ที่รายงานตรงกับผลลัพธ์ในรูปภาพของการทดสอบ Chronomics ต้องการสร้างโซลูชันที่ปรับขนาดได้ซึ่งใช้การมองเห็นของคอมพิวเตอร์เพื่อตรวจสอบผลลัพธ์

ในโพสต์นี้ เราจะแชร์วิธีใช้โครโนมิกส์ ความหมายของ Amazon เพื่อตรวจหาผลการทดสอบการไหลด้านข้างของ COVID-19 โดยอัตโนมัติ

กำลังเตรียมข้อมูล

รูปภาพต่อไปนี้แสดงรูปภาพของตลับทดสอบที่อัปโหลดโดยผู้ใช้ ชุดข้อมูลประกอบด้วยรูปภาพเช่นนี้ รูปภาพเหล่านี้จะถูกจัดประเภทเป็นเชิงบวก ลบ หรือไม่ถูกต้อง ซึ่งสอดคล้องกับผลการทดสอบ COVID-19

ความท้าทายหลักของชุดข้อมูลมีดังต่อไปนี้:

ชุดข้อมูลไม่สมดุล – ชุดข้อมูลเบ้มาก กลุ่มตัวอย่างมากกว่า 90% มาจากชั้นเรียนเชิงลบ
อินพุตของผู้ใช้ที่ไม่น่าเชื่อถือ – การอ่านที่ผู้ใช้รายงานด้วยตนเองนั้นไม่น่าเชื่อถือ ประมาณ 40% ของการอ่านไม่ตรงกับผลลัพธ์จริงจากภาพ

ในการสร้างชุดข้อมูลการฝึกอบรมคุณภาพสูง วิศวกรของ Chronomics ตัดสินใจทำตามขั้นตอนเหล่านี้:

คำอธิบายประกอบด้วยตนเอง – เลือกและติดป้ายกำกับรูปภาพ 1,000 ภาพด้วยตนเองเพื่อให้แน่ใจว่าทั้งสามคลาสจะแสดงอย่างเท่าเทียมกัน
การเสริมภาพ – เพิ่มรูปภาพที่มีป้ายกำกับเพื่อเพิ่มจำนวนเป็น 10,000

ดำเนินการเสริมภาพโดยใช้ อัลบั้มไลบรารี Python แบบโอเพ่นซอร์ส มีการดำเนินการแปลงจำนวนมาก เช่น การหมุน การปรับขนาด และความสว่างเพื่อสร้างภาพสังเคราะห์ 9,000 ภาพ ภาพสังเคราะห์เหล่านี้ถูกเพิ่มลงในภาพต้นฉบับเพื่อสร้างชุดข้อมูลคุณภาพสูง

สร้างโมเดลการมองเห็นด้วยคอมพิวเตอร์แบบกำหนดเองด้วย Amazon Rekognition

วิศวกรของโครโนมิกส์หันไปทาง ป้ายกำกับที่กำหนดเองของ Amazon Rekognitionซึ่งเป็นคุณสมบัติของ Amazon Rekognition ที่มีความสามารถ AutoML หลังจากจัดเตรียมรูปภาพการฝึกอบรมแล้ว จะสามารถโหลดและตรวจสอบข้อมูลโดยอัตโนมัติ เลือกอัลกอริทึมที่เหมาะสม ฝึกโมเดล และจัดเตรียมเมตริกประสิทธิภาพของโมเดล สิ่งนี้ช่วยเร่งกระบวนการฝึกอบรมและปรับใช้โมเดลการมองเห็นของคอมพิวเตอร์ได้อย่างมาก ทำให้เป็นเหตุผลหลักที่ Chronomics เลือกใช้ Amazon Rekognition ด้วย Amazon Rekognition เราจึงได้โมเดลที่มีความแม่นยำสูงภายใน 3-4 สัปดาห์ แทนที่จะใช้เวลา 4 เดือนในการสร้างโมเดลแบบกำหนดเองเพื่อให้ได้ประสิทธิภาพที่ต้องการ

ไดอะแกรมต่อไปนี้แสดงไปป์ไลน์การฝึกโมเดล ภาพที่มีคำอธิบายประกอบได้รับการประมวลผลล่วงหน้าโดยใช้ an AWS แลมบ์ดา การทำงาน. ขั้นตอนการประมวลผลล่วงหน้านี้ช่วยให้แน่ใจว่ารูปภาพอยู่ในรูปแบบไฟล์ที่เหมาะสม และยังดำเนินขั้นตอนเพิ่มเติมบางอย่าง เช่น การปรับขนาดรูปภาพและการแปลงรูปภาพจาก RGB เป็นโทนสีเทา พบว่าสิ่งนี้ช่วยปรับปรุงประสิทธิภาพของโมเดล

หลังจากที่โมเดลได้รับการฝึกอบรมแล้ว ก็สามารถนำไปปรับใช้สำหรับการอนุมานโดยใช้เพียงคลิกเดียวหรือการเรียก API

ประสิทธิภาพของโมเดลและการปรับแต่งอย่างละเอียด

โมเดลให้ความแม่นยำ 96.5% และคะแนน F1 ที่ 97.9% ในชุดรูปภาพที่ไม่อยู่ในตัวอย่าง คะแนน F1 เป็นตัววัดที่ใช้ทั้งความแม่นยำและการเรียกคืนเพื่อวัดประสิทธิภาพของตัวแยกประเภท เดอะ ตรวจหา CustomLabels API ใช้เพื่อตรวจหาฉลากของภาพที่ให้มาระหว่างการอนุมาน นอกจากนี้ API ยังคืนความมั่นใจที่ Rekognition Custom Labels มีในความถูกต้องของฉลากที่คาดคะเน แผนภูมิต่อไปนี้มีการแจกแจงคะแนนความเชื่อมั่นของป้ายกำกับที่คาดการณ์ไว้สำหรับรูปภาพ แกน x แสดงถึงคะแนนความเชื่อมั่นคูณด้วย 100 และแกน y คือจำนวนการคาดคะเนในระดับล็อก

เราสามารถกรองการคาดคะเนที่มีความเชื่อมั่นต่ำกว่าได้ด้วยการกำหนดเกณฑ์คะแนนความเชื่อมั่น เกณฑ์ 0.99 ส่งผลให้มีความแม่นยำ 99.6% และ 5% ของการคาดการณ์ถูกยกเลิก เกณฑ์ 0.999 ส่งผลให้มีความแม่นยำ 99.87% โดย 27% ของการคาดคะเนถูกยกเลิก เพื่อส่งมอบคุณค่าทางธุรกิจที่เหมาะสม Chronomics เลือกเกณฑ์ที่ 0.99 เพื่อเพิ่มความแม่นยำสูงสุดและลดการปฏิเสธการคาดการณ์ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การวิเคราะห์ภาพด้วยแบบจำลองที่ผ่านการฝึกอบรม.

การคาดคะเนที่ถูกละทิ้งยังสามารถกำหนดเส้นทางไปยังมนุษย์ในลูปได้โดยใช้ อเมซอน เสริม AI (Amazon A2I) สำหรับการประมวลผลภาพด้วยตนเอง สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการทำเช่นนี้ โปรดดูที่ ใช้ Amazon Augmented AI กับ Amazon Rekognition.

ภาพต่อไปนี้เป็นตัวอย่างที่แบบจำลองระบุการทดสอบว่าไม่ถูกต้องอย่างถูกต้องด้วยความเชื่อมั่น 0.999

สรุป

ในโพสต์นี้ เราแสดงให้เห็นความสะดวกรวดเร็วที่ Chronomics สร้างและปรับใช้โซลูชันที่ใช้การมองเห็นด้วยคอมพิวเตอร์ที่ปรับขนาดได้ซึ่งใช้ Amazon Rekognition เพื่อตรวจจับผลลัพธ์ของการทดสอบการไหลด้านข้างของ COVID-19 เดอะ API การรับรู้ของ Amazon ช่วยให้ผู้ปฏิบัติงานสามารถเร่งกระบวนการสร้างโมเดลการมองเห็นด้วยคอมพิวเตอร์ได้ง่ายมาก

เรียนรู้เกี่ยวกับวิธีการฝึกโมเดลการมองเห็นของคอมพิวเตอร์สำหรับกรณีการใช้งานเฉพาะทางธุรกิจของคุณโดยเข้าไปที่ เริ่มต้นใช้งานป้ายกำกับแบบกำหนดเองของ Amazon Rekognition และโดยการทบทวน คู่มือฉลากแบบกำหนดเองของ Amazon Rekognition.

เกี่ยวกับผู้เขียน

มัตเทีย สปิเนลลี่ เป็นวิศวกรการเรียนรู้ของเครื่องอาวุโสที่ Chronomics บริษัทชีวการแพทย์ แพลตฟอร์มของ Chronomics ช่วยให้ผู้ให้บริการใช้การวินิจฉัยที่บ้านตามขนาดได้อย่างราบรื่น ทั้งหมดนี้โดยไม่สูญเสียประสิทธิภาพหรือความแม่นยำ

ปีนัก ปณิกราหิ ทำงานร่วมกับลูกค้าเพื่อสร้างโซลูชันที่ขับเคลื่อนด้วยแมชชีนเลิร์นนิงเพื่อแก้ปัญหาทางธุรกิจเชิงกลยุทธ์บน AWS เมื่อไม่ได้ยุ่งกับแมชชีนเลิร์นนิง เขามักจะไปปีนเขา อ่านหนังสือ หรือเล่นกีฬา

ผู้เขียน-JayRao เจ ราว เป็นสถาปนิกโซลูชั่นหลักที่ AWS เขาชอบที่จะให้คำแนะนำด้านเทคนิคและเชิงกลยุทธ์แก่ลูกค้า และช่วยพวกเขาในการออกแบบและนำโซลูชันไปใช้บน AWS