Können Sie COVID-19 erkennen, indem Sie einfach in Ihr Telefon husten? Wird immer noch von der Universität Cambridge produziert

Das Aufkommen des neuen Coronavirus hat die Büchse der Pandora wirklich geöffnet.

Heutzutage tauchen neue Varianten auf, die das Leben der Menschen auf der gesamten Erde durcheinander bringen. Das Leben ohne Masken vor COVID-19 wird möglicherweise nie wieder zurückkehren.

Kürzlich haben Wissenschaftler eine neue Entdeckung gemacht, die es uns vielleicht ermöglichen wird, uns in Zukunft von den Zeiten des Würgens zu verabschieden.

Auf der Internationalen Konferenz der European Respiratory Society in Barcelona, ​​​​Spanien, zeigte eine Studie, dass KI anhand von Geräuschen, die von Mobiltelefonanwendungen gesammelt werden, feststellen kann, ob ein Benutzer mit COVID-19 infiziert ist.

Laut einem Bericht von News Medical ist das in dieser Studie verwendete KI-Modell billiger, schneller und einfacher anzuwenden als Antigen-Schnelltests, was es ideal für Länder mit niedrigem Einkommen macht, in denen PCR-Tests teuer sind.

Darüber hinaus hat diese KI einen weiteren Vorteil – sie verfügt über eine höhere Genauigkeit. Im Vergleich zu Antigen-Schnelltests kann seine Genauigkeit 89 % erreichen.

Die Genauigkeitsrate erreicht 89 %

Das Forschungsteam verwendete Daten aus der APP „New Crown Pneumonia Sound Library“ der Universität Cambridge, Großbritannien, die 893 Audioproben von 4352 gesunden und nicht gesunden Teilnehmern enthält. Die Ergebnisse zeigen, dass einfache Sprachaufzeichnungen und KI-Algorithmen genau bestimmen können, wer mit COVID-19 infiziert ist.

Der Redakteur dachte, er hätte eine Schatz-APP entdeckt. Nachdem er sie mit großer Erwartung heruntergeladen hatte, stellte er fest, dass diese App mit einer Bewertung von 2,8 derzeit nur zum Sammeln von Daten verwendet wird.

Hohe emotionale Intelligenz: Sie haben zur Entwicklung der Wissenschaft beigetragen.

Niedriger EQ: Diese Software ist derzeit unbrauchbar.

Frau Wafaa Aljbawi, Forscherin am Data Science Institute der Universität Maastricht in den Niederlanden, sagte auf der Konferenz, dass das KI-Modell in 89 % der Fälle genau sei, während die Genauigkeit von Lateral-Flow-Tests schwanke Darüber hinaus sind Lateral-Flow-Tests je nach Marke deutlich ungenauer bei der Erkennung asymptomatischer Personen.

Diese vielversprechenden Ergebnisse legen nahe, dass einfache Aufzeichnungen und fein abgestimmte KI-Algorithmen eine hohe Genauigkeit bei der Bestimmung erreichen können, welche Patienten mit COVID-19 infiziert sind. Solche Tests sind frei verfügbar und leicht zu interpretieren. Darüber hinaus ermöglichen sie virtuelle Ferntests mit Bearbeitungszeiten von weniger als einer Minute. Beispielsweise könnten sie an Eingängen zu großen Versammlungen eingesetzt werden, um eine schnelle Kontrolle von Menschenmengen zu ermöglichen. „

Wafaa Aljbawi, Forscherin, Data Science Institute, Universität Maastricht

Dieses Ergebnis ist so aufregend. Es bedeutet: Mit einfacher Sprachaufzeichnung und maßgeschneiderten KI-Algorithmen können wir COVID-19-infizierte Patienten genau identifizieren. Es ist kostenlos und einfach zu verwenden . Der Redakteur rieb sich aufgeregt die Hände: Bedeutet das, dass die Tage der Infektion mit COVID-19 vorbei sind? Endlich sind die oberen Atemwege und Stimmbänder der Person betroffen, wodurch sich die Stimme verändert

Um die Machbarkeit dieser Methode zu überprüfen , Dr. Visara Urovi vom selben Data Science Institute und ein Lungenarzt am Maastricht University Medical Center führten ebenfalls Tests durch

Sie verwendeten Informationen aus der Crowdsourcing-App COVID-19Sounds, darunter 893 Audiobeispiele von 4.352 gesunde und ungesunde Probanden, davon 308 Das COVID-19-Testergebnis ist positiv

Während des Tests muss der Benutzer, nachdem er die APP auf das Mobiltelefon heruntergeladen hat, zuerst dreimal husten und dann dreimal tief durchatmen bis 5 Mal durch den Mund, und dann wurde dreimal ein kurzer Satz auf dem Bildschirm gelesen

Die Forscher verwendeten eine Sprachanalysemethode namens Mel-Spektrogramm-Analyse, die verschiedene Sprachmerkmale wie Lautstärke, Stärke und Veränderungen im Laufe der Zeit identifizieren kann

„Auf diese Weise können wir viele Eigenschaften der Stimme des Probanden zerlegen“, sagte Frau Aljbawi. „Um die Stimmen von Menschen mit COVID-19 von denen ohne die Krankheit zu unterscheiden, haben wir verschiedene Modelle der künstlichen Intelligenz entwickelt und bewertet, welches Modell am besten zur Klassifizierung von COVID-19-Fällen geeignet ist.

Sie fanden heraus, dass eine Art Modell der künstlichen Intelligenz namens „ Modelle mit langem Kurzzeitgedächtnis (LSTM) übertreffen andere Modelle deutlich. LSTM basiert auf einem neuronalen Netzwerk, das die Funktionsweise des menschlichen Gehirns nachahmt, um potenzielle Beziehungen in Daten zu identifizieren. Da es mit Sequenzen arbeitet, eignet es sich aufgrund seiner Fähigkeit, die Daten im Speicher zu speichern, gut für die Modellierung von im Laufe der Zeit gesammelten Signalen, beispielsweise aus Sprache.

Seine Gesamtgenauigkeit beträgt 89 %, seine Fähigkeit, positive Fälle korrekt zu identifizieren (Rate von echten positiven Ergebnissen oder „Sensitivität“) beträgt 89 % und seine Fähigkeit, negative Fälle korrekt zu identifizieren (Rate von echten negativen Ergebnissen oder „Spezifität“) beträgt 83 %.

Diese Ergebnisse zeigen eine deutliche Verbesserung der Genauigkeit des LSTM-Modells bei der Diagnose von COVID-19 im Vergleich zu modernsten Tests wie dem Lateral-Flow-Test.

Die Vergleichsergebnisse lassen sich in einem Satz zusammenfassen: Das LSTM-Modell hat eine höhere Erkennungsrate für Positive, aber es ist auch wahrscheinlicher, dass Negative fälschlicherweise als Positive diagnostiziert werden.

Konkret haben Lateral-Flow-Tests eine Sensitivität von nur 56 %, aber eine höhere Spezifität von 99,5 %, sodass Lateral-Flow-Tests häufiger positive als negative Ergebnisse verwechseln. Bei Verwendung des LSTM-Modells könnten 11 von 100 Fällen übersehen werden, während der Lateral-Flow-Test 44 von 100 Fällen übersehen würde.

Die hohe Spezifität des Lateral-Flow-Tests bedeutet, dass nur 1/10 Negative fälschlicherweise als positiv diagnostiziert werden, während die Fehldiagnoserate des LSTM-Tests sogar noch höher ist: 17 von 100 Negativen werden fälschlicherweise als Positiv diagnostiziert. Da der Test jedoch praktisch kostenlos ist, kann bei einem positiven LSTM-Ergebnis ein PCR-Test durchgeführt werden. Die Auswirkungen des Letzteren sind also nicht groß.

Derzeit überprüfen Forscher ihre Ergebnisse noch weiter. Sie verwenden viele Daten. Seit Beginn des Experiments haben sie 53.449 Audioproben von 36.116 Personen gesammelt, die zur Verbesserung und Validierung der Genauigkeit des Modells verwendet werden können. Darüber hinaus führen sie weitere Untersuchungen durch, um festzustellen, welche anderen Sprachfaktoren das KI-Modell beeinflussen.

Ähnliche Artikel

Im Juni 2021 begannen Forscher zu untersuchen, inwieweit KI-Modellen vertraut werden kann, wenn sie als automatisierte Screening-Tools für COVID-19 eingesetzt werden. In diesem von INTERSPEECH 2021 angenommenen Artikel versuchen sie, die Unsicherheitsschätzung mit einem Deep-Learning-Modell zu kombinieren, um COVID-19 anhand von Geräuschen zu erkennen.

Papieradresse: https://arxiv.org/pdf/2104.02005.pdf

In dem Papier analysierten die Forscher eine Teilmenge von 330 positiven und 919 negativen Probanden.

Sie schlagen ein Ensemble-Lernframework vor, das das häufige Problem des Datenungleichgewichts während der Trainingsphase angeht und Vorhersageunsicherheit während der Inferenz bereitstellt, die sich als Varianz der vom Modellensemble erstellten Vorhersagen materialisiert. Das Rückgratmodell ist ein vorab trainiertes Faltungsnetzwerk namens VGGish 1, das so modifiziert wurde, dass es Spektrogramme von drei Tönen als Eingabe empfängt.

In dieser Arbeit wurden 10 Deep-Learning-Modelle trainiert und zu einem Ensemble-Modell aggregiert, das eine AUC von 0,74, eine Sensitivität von 0,68 und eine Spezifität von 0,69 ergab und damit jedes Modell übertraf. Einerseits wird die Überlegenheit von Deep Learning gegenüber handgefertigten Funktionen zur audiobasierten COVID-19-Erkennung nachgewiesen. Andererseits wird gezeigt, dass das Ensemble von SVMs die Leistung eines einzelnen SVM-Modells weiter verbessert, da die Proben effizienter genutzt werden.

Falsche Vorhersagen führen oft zu höheren Unsicherheiten (siehe Bild oben links). Daher ist es möglich, den empirischen Unsicherheitsschwellenwert zu nutzen, um dem Benutzer zu raten, den Audiotest am Telefon zu wiederholen oder zusätzliche Tests durchzuführen, wenn die digitale Diagnose weiterhin fehlschlägt. Klinische Tests (siehe Bild oben rechts). Durch die Einbeziehung von Unsicherheit in automatisierte Diagnosesysteme können ein besseres Risikomanagement und eine robustere Entscheidungsfindung erreicht werden.

Im November 2021 veröffentlichten Forscher in NeurIPS 2021 einen umfassenden, groß angelegten COVID-19-Audiodatensatz, der aus 53.449 Audioproben (insgesamt über 552 Stunden) bestand, die von 36.116 Teilnehmern per Crowdsourcing gesammelt wurden. Verwandte Beiträge wurden zur Veröffentlichung im NeurIPS 2021 Dataset Track angenommen.

In der Arbeit demonstrieren die Forscher eine ROC-AUC-Leistung von über 0,7 bei der Vorhersage von Atemwegssymptomen und COVID-19-Vorhersageaufgaben und bestätigen damit das Versprechen maschineller Lernmethoden, die auf dieser Art von Datensätzen basieren.

Im Juni 2022 hoffen Forscher, das Potenzial von Längsschnitt-Audioproben im Zeitverlauf für die Vorhersage des Verlaufs von COVID-19, insbesondere die Vorhersage von Erholungstrends mithilfe von sequentiellem Deep Learning, zu untersuchen. Der Artikel wurde in JMIR veröffentlicht, einer Zeitschrift im Bereich digitale Medizin und Gesundheit. Diese Studie ist wohl die erste Arbeit, die die longitudinale Audiodynamik für die Vorhersage des Krankheitsverlaufs von COVID-19 untersucht.

Papieradresse: https://www.jmir.org/2022/6/e37004

Um die Audiodynamik persönlicher historischer Audiobiomarker zu untersuchen, haben Forscher eine Methode entwickelt und validiert, die Gated Recurrent Units (GRU) Deep verwendet Lernansatz zur Erkennung des Fortschreitens der COVID-19-Krankheit.

Das vorgeschlagene Modell umfasst ein vorab trainiertes Faltungsnetzwerk namens VGGish zum Extrahieren von Audioinformationen auf hoher Ebene und GRU zum Erfassen der zeitlichen Abhängigkeit von Längsaudioproben.

Die Studie ergab, dass das vorgeschlagene System bei der Unterscheidung von COVID-19-positiven und -negativen Audioproben gut funktionierte.

In dieser Studienreihe traten auch chinesische Gelehrte wie Ting Dang, Jing Han und Tong Xia auf.

Vielleicht sind wir nicht mehr weit von dem Tag entfernt, an dem wir eine App verwenden können, um COVID-19 zu erkennen. ​

Das obige ist der detaillierte Inhalt vonKönnen Sie COVID-19 erkennen, indem Sie einfach in Ihr Telefon husten? Wird immer noch von der Universität Cambridge produziert. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!