时间学 是一家技术生物公司，使用生物标志物（从分子分析中获取的可量化信息）和技术，使科学和数据的使用民主化，从而改善人们的生活。 他们的目标是分析生物样本并提供可操作的信息来帮助您做出决定——关于任何需要更多地了解未知事物的事情。 Chronomics 的平台使供应商能够无缝地大规模实施家庭诊断——所有这些都不会牺牲效率或准确性。 它已经通过该平台处理了数百万次测试，并提供了高质量的诊断体验。
在 COVID-19 大流行期间，Chronomics 出售了用于检测 COVID-19 的横向流动测试 (LFT)。 用户通过上传测试盒的图片并输入测试的手动读数（阳性、阴性或无效）在平台上注册测试。 随着测试和用户数量的增加，手动验证报告的结果是否与测试图片中的结果相符很快变得不切实际。 Chronomics 希望构建一个可扩展的解决方案，使用计算机视觉来验证结果。
在这篇文章中，我们分享了 Chronomics 如何使用 亚马逊重新认识 自动检测 COVID-19 横向流动测试的结果。
准备数据
下图为用户上传的测试卡带图片。 数据集由像这样的图像组成。 这些图像将根据 COVID-19 测试的结果分类为阳性、阴性或无效。
数据集的主要挑战如下：
- 不平衡的数据集 – 数据集极度倾斜。 超过 90% 的样本来自负类。
- 不可靠的用户输入 – 用户手动报告的读数不可靠。 大约 40% 的读数与图片中的实际结果不符。
为了创建高质量的训练数据集，Chronomics 工程师决定遵循以下步骤：
- 手动注释 – 手动选择和标记 1,000 张图像，以确保三个类别的代表均匀
- 图像增强 – 增加标记图像以将数量增加到 10,000
图像增强是使用 相册，一个开源 Python 库。 执行了旋转、重新缩放和亮度等多种变换以生成 9,000 张合成图像。 这些合成图像被添加到原始图像中以创建高质量的数据集。
使用 Amazon Rekognition 构建自定义计算机视觉模型
Chronomics 的工程师转向 Amazon Rekognition自定义标签，Amazon Rekognition 的一项功能，具有 AutoML 功能。 提供训练图像后，它可以自动加载和检查数据，选择正确的算法，训练模型，并提供模型性能指标。 这显着加快了训练和部署计算机视觉模型的过程，使其成为 Chronomics 采用 Amazon Rekognition 的主要原因。 借助 Amazon Rekognition，我们能够在 3-4 周内获得高度准确的模型，而不是花费 4 个月的时间来尝试构建自定义模型以实现所需的性能。
下图说明了模型训练管道。 带注释的图像首先使用 AWS Lambda 功能。 此预处理步骤确保图像采用适当的文件格式，并且还执行了一些额外的步骤，例如调整图像大小以及将图像从 RGB 转换为灰度。 据观察，这提高了模型的性能。
模型经过训练后，只需单击一下或调用 API 即可将其部署以进行推理。
模型性能和微调
该模型在一组样本外图像上产生了 96.5% 的准确度和 1% 的 F97.9 分数。 F1 分数是一种同时使用精度和召回率来衡量分类器性能的指标。 这 检测自定义标签 API 用于在推理过程中检测提供图像的标签。 API 还返回 Rekognition Custom Labels 对预测标签准确性的置信度。 下图显示了图像预测标签的置信度分数分布。 x 轴表示置信度分数乘以 100，y 轴是对数尺度的预测计数。
通过在置信度分数上设置阈值，我们可以过滤掉置信度较低的预测。 0.99 的阈值导致 99.6% 的准确度，并且丢弃了 5% 的预测。 0.999 的阈值导致 99.87% 的准确度，其中 27% 的预测被丢弃。 为了提供正确的商业价值，Chronomics 选择了 0.99 的阈值以最大限度地提高准确性并最大限度地减少预测的拒绝。 有关详细信息，请参阅 使用经过训练的模型分析图像.
丢弃的预测也可以路由到循环中的人，使用 亚马逊增强AI (Amazon A2I) 用于手动处理图像。 有关如何执行此操作的更多信息，请参阅 将Amazon Augmented AI与Amazon Rekognition结合使用.
下图是一个示例，其中模型正确地将测试识别为无效，置信度为 0.999。
结论
在这篇文章中，我们展示了 Chronomics 快速构建和部署可扩展的基于计算机视觉的解决方案的便捷性，该解决方案使用 Amazon Rekognition 来检测 COVID-19 横向流动测试的结果。 这 亚马逊识别 API 使从业者很容易加速构建计算机视觉模型的过程。
通过访问了解如何为您的特定业务用例训练计算机视觉模型 开始使用 Amazon Rekognition 自定义标签 并通过审查 Amazon Rekognition 自定义标签指南.
作者简介
马蒂亚·斯皮内利 是生物医学公司 Chronomics 的高级机器学习工程师。 Chronomics 的平台使供应商能够无缝地大规模实施家庭诊断——所有这些都不会牺牲效率或准确性。
皮纳克帕尼格拉希 与客户合作构建机器学习驱动的解决方案，以解决 AWS 上的战略业务问题。 当不忙于机器学习时，他会去远足、读书或参加运动。
周杰伦 是 AWS 的首席解决方案架构师。 他喜欢为客户提供技术和战略指导，并帮助他们在 AWS 上设计和实施解决方案。
普什米人迷雾 是 AWS 的高级产品经理。 工作之余，Pashmeen 喜欢冒险远足、摄影以及与家人共度时光。
