Chronomics phát hiện kết quả xét nghiệm COVID-19 bằng nhãn tùy chỉnh Amazon Rekognition

Được xuất bản lại bởi Plato

Người theo dõi: 0

thời gian là một công ty công nghệ sinh học sử dụng dấu ấn sinh học—thông tin có thể định lượng được lấy từ quá trình phân tích phân tử—cùng với công nghệ để dân chủ hóa việc sử dụng khoa học và dữ liệu nhằm cải thiện cuộc sống của con người. Mục tiêu của họ là phân tích các mẫu sinh học và cung cấp thông tin hữu ích để giúp bạn đưa ra quyết định—về bất cứ điều gì mà việc biết thêm về những điều không thể nhìn thấy là quan trọng. Nền tảng của Chronomics cho phép các nhà cung cấp triển khai liền mạch quá trình chẩn đoán tại nhà trên quy mô lớn—tất cả mà không làm giảm hiệu quả hoặc độ chính xác. Nó đã xử lý hàng triệu xét nghiệm thông qua nền tảng này và mang lại trải nghiệm chẩn đoán chất lượng cao.

Trong đại dịch COVID-19, Chronomics đã bán các bộ xét nghiệm dòng chảy bên (LFT) để phát hiện COVID-19. Người dùng đăng ký bài kiểm tra trên nền tảng bằng cách tải lên hình ảnh của băng thử nghiệm và nhập kết quả kiểm tra thủ công (dương tính, âm tính hoặc không hợp lệ). Với sự gia tăng số lượng bài kiểm tra và người dùng, việc xác minh thủ công xem kết quả được báo cáo có khớp với kết quả trong hình ảnh của bài kiểm tra nhanh chóng trở nên không thực tế hay không. Chronomics muốn xây dựng một giải pháp có thể mở rộng sử dụng thị giác máy tính để xác minh kết quả.

Trong bài đăng này, chúng tôi chia sẻ cách Chronomics được sử dụng Nhận thức lại Amazon để tự động phát hiện kết quả của xét nghiệm dòng chảy bên cạnh COVID-19.

Chuẩn bị dữ liệu

Hình ảnh sau đây hiển thị hình ảnh một băng thử nghiệm được người dùng tải lên. Tập dữ liệu bao gồm các hình ảnh như thế này. Những hình ảnh này phải được phân loại là dương tính, âm tính hoặc không hợp lệ, tương ứng với kết quả xét nghiệm COVID-19.

Những thách thức chính với bộ dữ liệu là như sau:

Tập dữ liệu không cân bằng – Tập dữ liệu cực kỳ sai lệch. Hơn 90% số mẫu thuộc loại âm tính.
Đầu vào của người dùng không đáng tin cậy – Các kết quả được người dùng báo cáo thủ công không đáng tin cậy. Khoảng 40% số đo không khớp với kết quả thực tế từ hình ảnh.

Để tạo tập dữ liệu đào tạo chất lượng cao, các kỹ sư của Chronomics đã quyết định làm theo các bước sau:

Chú thích thủ công – Chọn và gắn nhãn thủ công 1,000 hình ảnh để đảm bảo ba lớp được thể hiện đồng đều
Tăng cường hình ảnh – Tăng cường các hình ảnh được dán nhãn để tăng số lượng lên 10,000

Tăng cường hình ảnh được thực hiện bằng cách sử dụng albumentation, một thư viện Python mã nguồn mở. Một số phép biến đổi như xoay, thay đổi tỷ lệ và độ sáng đã được thực hiện để tạo ra 9,000 hình ảnh tổng hợp. Những hình ảnh tổng hợp này đã được thêm vào hình ảnh gốc để tạo ra bộ dữ liệu chất lượng cao.

Xây dựng mô hình thị giác máy tính tùy chỉnh với Amazon Rekognition

Các kỹ sư của Chronomics hướng tới Nhãn tùy chỉnh Rekognition của Amazon, một tính năng của Amazon Rekognition với khả năng AutoML. Sau khi cung cấp hình ảnh đào tạo, nó có thể tự động tải và kiểm tra dữ liệu, chọn thuật toán phù hợp, đào tạo mô hình và cung cấp các số liệu hiệu suất mô hình. Điều này đẩy nhanh đáng kể quá trình đào tạo và triển khai mô hình thị giác máy tính, khiến đây trở thành lý do chính để Chronomics áp dụng Amazon Rekognition. Với Amazon Rekognition, chúng tôi có thể có được mô hình có độ chính xác cao trong 3–4 tuần thay vì mất 4 tháng cố gắng xây dựng một mô hình tùy chỉnh để đạt được hiệu suất mong muốn.

Sơ đồ sau đây minh họa quy trình đào tạo mô hình. Các hình ảnh có chú thích lần đầu tiên được xử lý trước bằng cách sử dụng một AWS Lambda chức năng. Bước tiền xử lý này đảm bảo rằng hình ảnh ở định dạng tệp thích hợp và cũng thực hiện một số bước bổ sung như thay đổi kích thước hình ảnh và chuyển đổi hình ảnh từ RGB sang thang độ xám. Người ta nhận thấy rằng điều này đã cải thiện hiệu suất của mô hình.

Sau khi đào tạo mô hình, mô hình có thể được triển khai để suy luận chỉ bằng một cú nhấp chuột hoặc lệnh gọi API.

Hiệu suất và tinh chỉnh mô hình

Mô hình này mang lại độ chính xác 96.5% và điểm F1 là 97.9% trên một tập hợp các hình ảnh ngoài mẫu. Điểm F1 là thước đo sử dụng cả độ chính xác và khả năng thu hồi để đo hiệu suất của bộ phân loại. Các API phát hiệnCustomLabels được sử dụng để phát hiện nhãn của hình ảnh được cung cấp trong quá trình suy luận. API cũng trả về độ tin cậy mà Nhãn tùy chỉnh Rekognition có được về độ chính xác của nhãn được dự đoán. Biểu đồ sau đây phân bổ điểm tin cậy của các nhãn được dự đoán cho hình ảnh. Trục x biểu thị điểm tin cậy nhân với 100 và trục y là số lượng dự đoán trong thang đo log.

Bằng cách đặt ngưỡng cho điểm tin cậy, chúng tôi có thể lọc ra những dự đoán có độ tin cậy thấp hơn. Ngưỡng 0.99 mang lại độ chính xác 99.6% và 5% dự đoán bị loại bỏ. Ngưỡng 0.999 mang lại độ chính xác là 99.87%, với 27% dự đoán bị loại bỏ. Để mang lại giá trị kinh doanh phù hợp, Chronomics đã chọn ngưỡng 0.99 để tối đa hóa độ chính xác và giảm thiểu việc bác bỏ các dự đoán. Để biết thêm thông tin, xem Phân tích một hình ảnh với một mô hình được đào tạo.

Các dự đoán bị loại bỏ cũng có thể được chuyển đến con người trong vòng lặp bằng cách sử dụng AI tăng cường của Amazon (Amazon A2I) để xử lý hình ảnh theo cách thủ công. Để biết thêm thông tin về cách thực hiện việc này, hãy tham khảo Sử dụng AI tăng cường của Amazon với Amazon Rekognition.

Hình ảnh sau đây là ví dụ trong đó mô hình đã xác định chính xác thử nghiệm là không hợp lệ với độ tin cậy là 0.999.

Kết luận

Trong bài đăng này, chúng tôi đã cho thấy sự dễ dàng mà Chronomics đã nhanh chóng xây dựng và triển khai giải pháp dựa trên thị giác máy tính có thể mở rộng bằng cách sử dụng Amazon Rekognition để phát hiện kết quả của thử nghiệm luồng bên trong COVID-19. Các API nhận dạng lại của Amazon giúp người thực hành dễ dàng đẩy nhanh quá trình xây dựng mô hình thị giác máy tính.

Tìm hiểu về cách bạn có thể đào tạo các mô hình thị giác máy tính cho trường hợp sử dụng doanh nghiệp cụ thể của mình bằng cách truy cập Bắt đầu với nhãn tùy chỉnh Amazon Rekognition và bằng cách xem xét Hướng dẫn Nhãn tùy chỉnh Rekognition của Amazon.

Về các tác giả

Mattia Spinelli là Kỹ sư máy học cao cấp tại Chronomics, một công ty y sinh. Nền tảng của Chronomics cho phép các nhà cung cấp triển khai liền mạch quá trình chẩn đoán tại nhà trên quy mô lớn—tất cả mà không làm giảm hiệu quả hoặc độ chính xác.

Pinak Panigrahi làm việc với khách hàng để xây dựng các giải pháp dựa trên máy học nhằm giải quyết các vấn đề kinh doanh chiến lược trên AWS. Khi không bận rộn với việc học máy, người ta có thể thấy anh ấy đang đi bộ đường dài, đọc sách hoặc chơi thể thao.

Tác giả-JayRao Jay Rao là Kiến trúc sư giải pháp chính tại AWS. Anh ấy thích cung cấp hướng dẫn kỹ thuật và chiến lược cho khách hàng, đồng thời giúp họ thiết kế và triển khai các giải pháp trên AWS.