Chronomics виявляє результати тестів на COVID-19 за допомогою спеціальних міток Amazon Rekognition

Перевидано Платоном

читають: 0

Хрономіка — це технічно-біологічна компанія, яка використовує біомаркери — кількісно визначену інформацію, отриману з аналізу молекул — разом із технологіями для демократизації використання науки та даних для покращення життя людей. Їх мета — проаналізувати біологічні зразки та надати корисну інформацію, яка допоможе вам прийняти рішення — про все, де важливо знати більше про невидиме. Платформа Chronomics дозволяє постачальникам без проблем впроваджувати масштабну діагностику вдома без шкоди для ефективності чи точності. Він уже обробив мільйони тестів через цю платформу та забезпечує високоякісну діагностику.

Під час пандемії COVID-19 Chronomics продавала тести з боковим потоком (LFT) для виявлення COVID-19. Користувачі реєструють тест на платформі, завантажуючи зображення тестової касети та вводячи ручне зчитування тесту (позитивне, негативне чи недійсне). Зі збільшенням кількості тестів і користувачів швидко стало непрактичним вручну перевіряти, чи збігається звітний результат із результатом на зображенні тесту. Chronomics хотіла створити масштабоване рішення, яке використовує комп’ютерне бачення для перевірки результатів.

У цій публікації ми розповідаємо, як використовувався Chronomics Amazon Rekognition для автоматичного визначення результатів тесту бічного потоку на COVID-19.

Підготовка даних

На наступному зображенні показано зображення тестової касети, завантаженої користувачем. Набір даних складається з таких зображень, як це. Ці зображення класифікуються як позитивні, негативні або недійсні відповідно до результатів тесту на COVID-19.

Основні проблеми з набором даних полягали в наступному:

Незбалансований набір даних – Набір даних був надзвичайно спотвореним. Понад 90% проб були з негативного класу.
Ненадійні дані користувача – Показання, надані користувачами вручну, не були надійними. Близько 40% показань не збігалися з фактичним результатом із зображення.

Щоб створити високоякісний навчальний набір даних, інженери Chronomics вирішили виконати такі дії:

Анотація вручну – Вручну виберіть і позначте 1,000 зображень, щоб забезпечити рівномірне представлення трьох класів
Збільшення зображення – Збільште позначені зображення, щоб збільшити кількість до 10,000 XNUMX

Збільшення зображення виконано за допомогою Альбументації, бібліотека Python з відкритим кодом. Для створення 9,000 синтетичних зображень було виконано ряд перетворень, таких як обертання, масштабування та яскравість. Ці синтетичні зображення було додано до оригінальних зображень для створення високоякісного набору даних.

Створення спеціальної моделі комп’ютерного зору за допомогою Amazon Rekognition

Інженери Chronomics звернулися до Спеціальні етикетки Amazon Rekogmination, функція Amazon Rekognition із можливостями AutoML. Після надання навчальних зображень він може автоматично завантажувати та перевіряти дані, вибирати правильні алгоритми, навчати модель і надавати показники ефективності моделі. Це значно прискорює процес навчання та розгортання моделі комп’ютерного зору, що робить Chronomics основною причиною прийняття Amazon Rekognition. Завдяки Amazon Rekognition ми змогли отримати високоточну модель за 3–4 тижні замість того, щоб витрачати 4 місяці на створення спеціальної моделі для досягнення бажаної продуктивності.

Наступна діаграма ілюструє конвеєр навчання моделі. Анотовані зображення спочатку були попередньо оброблені за допомогою AWS Lambda функція. Цей етап попередньої обробки гарантував, що зображення були у відповідному форматі файлу, а також виконував деякі додаткові дії, як-от зміна розміру зображення та перетворення зображення з RGB на градації сірого. Було помічено, що це покращило продуктивність моделі.

Після того, як модель навчена, її можна розгорнути для висновків, використовуючи лише один клік або виклик API.

Продуктивність моделі та її тонке налаштування

Модель показала точність 96.5% і оцінку F1 97.9% на наборі зображень поза вибіркою. Оцінка F1 — це показник, який використовує як точність, так і пам’ять для вимірювання ефективності класифікатора. The API DetectCustomLabels використовується для виявлення міток наданого зображення під час висновку. API також повертає впевненість Rekognition Custom Labels у точності передбаченої мітки. На наступній діаграмі наведено розподіл балів достовірності прогнозованих міток для зображень. На осі абсцис – показник достовірності, помножений на 100, а на осі у – кількість передбачень у логарифмічному масштабі.

Установивши порогове значення для оцінки достовірності, ми можемо відфільтрувати прогнози з нижчою достовірністю. Порогове значення 0.99 призвело до точності 99.6%, а 5% передбачень було відхилено. Порогове значення 0.999 призвело до точності 99.87%, при цьому 27% передбачень було відкинуто. Щоб забезпечити належну бізнес-цінність, Chronomics вибрала поріг 0.99, щоб максимізувати точність і мінімізувати відхилення прогнозів. Для отримання додаткової інформації див Аналіз зображення за допомогою тренованої моделі.

Відкинуті передбачення також можуть бути направлені людині в циклі за допомогою Розширений ШІ в Амазонці (Amazon A2I) для обробки зображення вручну. Додаткову інформацію про те, як це зробити, див Використовуйте Amazon Augmented AI з Amazon Rekognition.

На наступному зображенні показано приклад, коли модель правильно визначила тест як недійсний із достовірністю 0.999.

Висновок

У цій публікації ми продемонстрували легкість, з якою Chronomics швидко створила та розгорнула масштабоване рішення на основі комп’ютерного зору, яке використовує Amazon Rekognition для виявлення результатів тесту бічного потоку на COVID-19. The API перевизначення Amazon дозволяє практикам дуже легко прискорити процес створення моделей комп’ютерного зору.

Дізнайтеся, як навчити моделі комп’ютерного зору для конкретного бізнес-випадку використання, відвідавши Початок роботи з користувацькими мітками Amazon Rekognition і переглядаючи Посібник із користувацьких етикеток Amazon Rekognition.

Про авторів

Маттіа Спінеллі є старшим інженером машинного навчання в Chronomics, біомедичній компанії. Платформа Chronomics дозволяє постачальникам без проблем впроваджувати масштабну діагностику вдома без шкоди для ефективності чи точності.

Pinak Panigrahi працює з клієнтами над створенням рішень на основі машинного навчання для вирішення стратегічних бізнес-завдань на AWS. Коли він не займається машинним навчанням, його можна знайти під час походу, читання книги або занять спортом.

Автор - JayRao Джей Рао є головним архітектором рішень у AWS. Йому подобається надавати клієнтам технічні та стратегічні рекомендації, а також допомагати їм розробляти та впроваджувати рішення на AWS.