透過機器學習處理大量新冠病毒抗原檢測結果圖片-澳門

最近新一波疫情侵襲澳門，今波疫情相對前面幾波較為嚴峻。

澳門衛生局除了近期進行多輪全民核酸檢測外，更要求全民每天／按需使用使用新冠病毒抗原檢測包進行自我檢測，完成後將結果拍照、手動勾選檢測結果、簽名並寫上當天日期上載匯報至當局頁面。

全澳人口大約接近70萬人，也就意味每天有關方面會收到最多約70萬張的檢測結果照片，如下圖所示。

如何更科學地對這麼大量的圖片數據進一步發掘、分析，提取有助防疫的資訊，輔助決策，這亦可能是一個課題。

• 如何得知各個抗原檢測套裝品牌每天的結果誤報率？
• 有多少市民所上載的檢測結果與選擇的結果不符合？
• 最多市民使用的抗原檢測套裝的品牌是？
• 下一階段應該採購哪種檢測包？

等等...

從以上新聞消息截圖得知：「局方需要市民將快測結果連同檢測盒包裝一併上傳，政府將系統及科學分析檢測效果及質量，作為未來採購檢測包的依據。」

至於當中「系統及科學分析檢測」方法實際是什麼？我們這些外人就無從得知。

不過換個角度，如果自己面對這麼大量的數據，該用什麼方法才能發掘數據中的更多價值？

第一時間想到的思路就是：透過機器學習 Machine Learning 訓練出 A.I. 模型，對大量抗原檢測結果（圖片）進行識別、分類。

實際進行流程如下：

1. 獲得數據集（收集若干數量新冠病毒抗原檢測試劑盒結果圖片）
2. 標註數據集（對所有圖片進行手工標註 紅線結果顯示區域）
3. 對圖片的檔案名進行統一規範（以便後期處理）
4. 劃分數據集（大部份用於訓練模型，另一部份用於驗證模型）
5. 增強數據
6. 定義數據集
7. 訓練模型
8. 使用模型進行預測

上圖為預測效果，不同品牌的試劑，包括有包裝盒及只有試劑盒，效果尚算不錯，但仍有誤判（右圖一），可能是參數問題，又或者是樣本量較少的關係。

上面就是初步透過機器學習 Machine Learning 對 1,000 多張試劑盒圖片進行訓練模型，進而識別結果屬於 陰性／陽性。

這只是一個很初步，對於思法的試驗，若能得到更多數據重新再進行訓練，相信判斷精度能再加強。

除了可以識別結果 陰性／陽性外，若數據集訓練數據充足，識別不同試劑盒的品牌也不是一件難事，綜合上面所得出的資訊，應該能夠得到一些更有助於防疫的資訊，從而協助決策。

希望澳門疫情早日消退！