Bioavlee: Automatycznego zliczanie kolonii bakteryjnych o dokładności 98%
Bioavlee: innowatorzy w zautomatyzowanym zliczaniu kolonii bakteryjnych
Bioavlee to firma biotechnologiczna tworząca zaawansowane rozwiązania sprzętowe i programistyczne do automatycznego zliczania kolonii bakteryjnych. Autorska technologia obrazowania laserowego umożliwia precyzyjne pozyskiwanie obrazów próbek, które następnie są analizowane przez modele uczenia maszynowego (Machine Learning) w celu identyfikacji i zliczania kolonii z laboratoryjną dokładnością. Rozwiązanie ogranicza konieczność ręcznego zliczania bakterii, a jednocześnie zachowuje wysoką dokładność, niezbędną w tak silnie regulowanym środowisku. Kluczowe informacje:
98%
zweryfikowanej dokładności zliczania kolonii na podstawie obrazów
50,000+
opisanych obrazów w zbiorze danych treningowych
4 tyg.
do opracowania i zwalidowania pierwszego MVP gotowego do wdrożenia
Wyzwanie: skalowanie dokładności w środowisku regulowanym
Kluczowe kompetencje Bioavlee obejmują aparaturę laboratoryjną oraz optyczny sprzęt pomiarowy. Choć początkowe wersje oprogramowania działały niezawodnie w kontrolowanych, małoskalowych warunkach laboratoryjnych, próby skalowania systemu ujawniły istotne ograniczenia. Ponieważ Bioavlee działa w silnie regulowanym środowisku, jakikolwiek spadek dokładności lub powtarzalności wyników stanowił niedopuszczalne ryzyko. Wraz ze wzrostem skali pojawiły się problemy typowe dla rzeczywistych danych medycznych:
Zakłócenia w etykietach danych (label noise) wynikające z ręcznego oznaczania.
Niezrównoważenie klas pomiędzy różnymi szczepami bakterii.
Dryf danych wraz z napływem nowych próbek.
Przy dużych zbiorach danych (powyżej 50 000 obrazów) skuteczność modelu spadła do około 60%, co było poziomem niewystarczającym do zastosowań produkcyjnych. Bioavlee potrzebowało partnera zdolnego do zbudowania skalowalnego, powtarzalnego i przygotowanego pod walidację regulacyjną oprogramowania ML, z przejrzystymi metodami ewaluacji umożliwiającymi audyt i zewnętrzną weryfikację.
Rozwiązanie: interdyscyplinarna współdziałanie ML i ekspertów
Bioavlee nawiązało współpracę z Codewave, aby przeprojektować i wzmocnić swoje oprogramowanie do rozpoznawania obrazów. Projekt rozpoczął się od serii pogłębionych warsztatów Exploratory Data Analysis (EDA), angażujących zarówno inżynierów oprogramowania Codewave, jak i ekspertów laboratoryjnych Bioavlee. Etap ten pozwolił na wspólne zrozumienie ograniczeń laboratoryjnych, charakterystyki danych oraz wymagań regulacyjnych. Następnie Codewave wdrożyło ustrukturyzowany program usprawnień, obejmujący:
Zdyscyplinowane procesy kuracji danych i ponownego etykietowania.
Ścisłą współpracę z ekspertami domenowymi.
Optymalizację architektury sieci neuronowych (DNN).
Statystycznie rygorystyczną walidację i testy na zbiorach hold‑out.
Już w ciągu pierwszych czterech tygodni wspólna praca zespołów pozwoliła zwiększyć dokładność z 60% do 82% oraz opracować mapę dalszych usprawnień prowadzących do gotowości produkcyjnej.
"CODEWAVE quickly became an integral part of our organization. Their team combined deep ML expertise with the ability to truly understand our laboratory domain. The value of applying neural networks became clear immediately."
Zastosowane technologie:
Deep Neural Networks (DNNs)
do detekcji i zliczania kolonii na obrazach
Serwery on‑premise z GPU NVIDIA
do wrażliwych oraz krytycznych pod względem walidacji zadań
Amazon EC2 (p2.8xlarge, Spot Instances)
do skalowalnego i efektywnego kosztowo trenowania modeli
Machine learning
z wyraźnym rozdziałem danych treningowych, walidacyjnych i testowych
Rezultaty: 98% dokładności i powtarzalna walidacja modeli
W kolejnych sześciu miesiącach Codewave i Bioavlee wspólnie pracowały nad dalszą poprawą jakości danych, architektury modeli oraz metod ewaluacji. Kluczowe efekty współpracy:
W pełni powtarzalny proces trenowania i walidacji.
Rygorystyczne testy hold‑out eliminujące ryzyko błędów.
Transparentne i powtarzalne metryki umożliwiające zewnętrzną ocenę.
Ten iteracyjny proces pozwolił zwiększyć dokładność systemu z 60% do 98%, przy jednoczesnym zapewnieniu solidności statystycznej i długoterminowej utrzymywalności rozwiązania. Dodatkowo wdrożenie hybrydowego procesu trenowania danych, łączącego zasoby GPU on‑premise z infrastrukturą AWS, umożliwiło skalowanie eksperymentów bez utraty powtarzalności i kontroli kosztów.
Tworzymy indywidualne rozwiązania i produkty dostosowane do Twoich potrzeb.
Porozmawiajmy o wyzwaniu, z którym się obecnie mierzysz, i sprawdźmy, w czym możemy pomóc.
