Pouvez-vous détecter le COVID-19 simplement en toussant dans votre téléphone ? Toujours produit par l'Université de Cambridge

L’émergence du nouveau coronavirus a véritablement ouvert la boîte de Pandore.

De nos jours, de nouveaux variants apparaissent, bouleversant la vie des populations sur la terre entière. La vie sans masque avant le COVID-19 ne reviendra peut-être jamais.

Récemment, des scientifiques ont fait une nouvelle découverte, qui pourrait nous permettre de dire adieu à l'époque où l'on se pique la gorge à l'avenir.

Lors de la conférence internationale de la Société européenne de respiration à Barcelone, en Espagne, une étude a montré que l'IA peut déterminer si un utilisateur a été infecté par le COVID-19 grâce aux sons collectés par les applications de téléphonie mobile.

Selon un rapport de News Medical, le modèle d'IA utilisé dans cette étude est moins cher, plus rapide et plus facile à utiliser que les tests antigéniques rapides, ce qui le rend idéal pour les pays à faible revenu où les tests PCR sont coûteux.

De plus, cette IA a un autre avantage : elle a une plus grande précision. Par rapport aux tests antigéniques rapides, sa précision peut atteindre 89 %.

Le taux de précision atteint 89 %

L'équipe de recherche a utilisé les données de l'application « New Crown Pneumonia Sound Library » de l'Université de Cambridge, au Royaume-Uni, qui contient 893 échantillons audio provenant de 4 352 participants en bonne santé et non en bonne santé. Les résultats montrent que de simples enregistrements vocaux et des algorithmes d’IA peuvent déterminer avec précision qui est infecté par le COVID-19.

L'éditeur pensait avoir découvert une application au trésor. Après l'avoir téléchargée avec beaucoup d'attente, il a découvert que cette application avec une note de 2,8 n'est actuellement utilisée que pour collecter des données.

Haute intelligence émotionnelle : Vous avez contribué au développement de la science.

Low EQ : Ce logiciel est actuellement inutile.

Mme Wafaa Aljbawi, chercheuse à l'Institut de science des données de l'Université de Maastricht aux Pays-Bas, a déclaré lors de la conférence que le modèle d'IA est précis dans 89% des cas, tandis que la précision des tests de flux latéral varie selon la marque, de plus, les tests à flux latéral sont beaucoup moins précis pour détecter les personnes asymptomatiques.

Ces résultats prometteurs suggèrent que de simples enregistrements et des algorithmes d'IA affinés peuvent atteindre une grande précision pour déterminer quels patients sont infectés par le COVID-19. Ces tests sont disponibles gratuitement et faciles à interpréter. De plus, ils permettent des tests virtuels à distance avec des délais d’exécution inférieurs à une minute. Par exemple, ils pourraient être utilisés aux points d’entrée de grands rassemblements, permettant ainsi un contrôle rapide des foules. »

Wafaa Aljbawi, chercheuse, Data Science Institute, Université de Maastricht

Ce résultat est tellement excitant qu'il signifie : avec un enregistrement vocal de base et des algorithmes d'IA personnalisés, nous pouvons identifier avec précision les patients infectés par le COVID-19. C'est gratuit et facile à utiliser. L'éditeur s'est frotté les mains avec enthousiasme : cela signifie-t-il que l'époque où l'on était infecté par le COVID-19 est révolue ? Enfin, les voies respiratoires supérieures et les cordes vocales de la personne sont affectées, modifiant ainsi la voix

Pour vérifier la faisabilité de cette méthode. , le Dr Visara Urovi du même Data Science Institute et un pneumologue du centre médical universitaire de Maastricht, le Dr Sami Simons, ont également effectué des tests

Ils ont utilisé les informations de l'application collaborative COVID-19Sounds de l'Université de Cambridge, y compris 893 échantillons audio provenant de 4 352 personnes. sujets sains et malsains, dont 308. Le résultat du test COVID-19 est positif

Pendant le test, après que l'utilisateur a téléchargé l'application sur le téléphone mobile, il doit d'abord tousser 3 fois, puis respirer profondément 3 fois. à 5 fois par la bouche, puis une courte phrase a été lue 3 fois sur l'écran

Les chercheurs ont utilisé une méthode d'analyse de la parole appelée analyse par spectrogramme mel, qui peut identifier différentes caractéristiques de la parole telles que le volume, la puissance et les changements au fil du temps

.

« De cette façon, nous pouvons décomposer de nombreuses propriétés de la voix du sujet », a déclaré Mme Aljbawi. "Pour distinguer les voix des personnes atteintes du COVID-19 de celles qui ne sont pas atteintes de la maladie, nous avons construit différents modèles d'intelligence artificielle et évalué quel modèle était le mieux adapté pour classer les cas de COVID-19

Ils ont découvert qu'un type de modèle d'intelligence artificielle était appelé." Les modèles à mémoire longue et à court terme (LSTM) surpassent considérablement les autres modèles. LSTM est basé sur un réseau neuronal qui imite la façon dont le cerveau humain fonctionne pour identifier les relations potentielles dans les données. Parce qu'il fonctionne sur des séquences, il est bien adapté à la modélisation de signaux collectés au fil du temps, comme ceux issus de la parole, en raison de sa capacité à stocker les données en mémoire.

Sa précision globale est de 89 %, sa capacité à identifier correctement les cas positifs (taux de vrais positifs ou « sensibilité ») est de 89 %, et sa capacité à identifier correctement les cas négatifs (taux de vrais négatifs ou « spécificité ») est de 83 %.

Ces résultats démontrent une amélioration significative de la précision du modèle LSTM dans le diagnostic du COVID-19 par rapport aux tests de pointe tels que les tests à flux latéral.

Les résultats de la comparaison peuvent être résumés en une phrase : le modèle LSTM a un taux de reconnaissance plus élevé pour les positifs, mais il est également plus susceptible de diagnostiquer à tort les négatifs comme des positifs.

Plus précisément, les tests à flux latéral ont une sensibilité de seulement 56 % mais une spécificité plus élevée de 99,5 %, de sorte que les tests à flux latéral confondent plus fréquemment les positifs avec les négatifs. L’utilisation du modèle LSTM pourrait manquer 11 cas sur 100, tandis que le test de flux latéral manquerait 44 cas sur 100.

La haute spécificité du test à flux latéral signifie que seulement 1/10 des négatifs seront diagnostiqués à tort comme positifs, alors que le taux d'erreurs de diagnostic du test LSTM est encore plus élevé, 17 négatifs sur 100 seront diagnostiqués à tort comme positifs. Cependant, le test étant effectivement gratuit, les personnes peuvent alors se voir proposer un test PCR si le LSTM montre un résultat positif. L’impact de cette dernière n’est donc pas grand.

Actuellement, les chercheurs continuent de vérifier leurs résultats. Ils utilisent beaucoup de données. Depuis le début de l’expérience, ils ont collecté 53 449 échantillons audio auprès de 36 116 personnes, qui peuvent être utilisés pour améliorer et valider la précision du modèle. En outre, ils mènent d’autres recherches pour déterminer quels autres facteurs vocaux affectent les modèles d’IA.

Articles connexes

En juin 2021, les chercheurs ont commencé à explorer dans quelle mesure les modèles d'IA peuvent être fiables lorsqu'ils sont utilisés comme outils de dépistage automatisé du COVID-19. Dans cet article accepté par INTERSPEECH 2021, ils tentent de combiner l’estimation de l’incertitude avec un modèle d’apprentissage profond pour détecter le COVID-19 à partir du son.

Adresse papier : https://arxiv.org/pdf/2104.02005.pdf

Dans le document, les chercheurs ont analysé un sous-ensemble de 330 sujets positifs et 919 sujets négatifs.

Ils proposent un cadre d'apprentissage d'ensemble qui aborde le problème courant du déséquilibre des données pendant la phase de formation et fournit une incertitude de prédiction lors de l'inférence, matérialisée par la variance des prédictions produites par l'ensemble du modèle. Le modèle de base est un réseau convolutionnel pré-entraîné nommé VGGish 1, modifié pour recevoir des spectrogrammes de trois sons en entrée.

Dans ce travail, 10 modèles d'apprentissage profond ont été formés et regroupés dans un modèle d'ensemble, donnant une AUC de 0,74, une sensibilité de 0,68 et une spécificité de 0,69, surpassant chaque modèle. D’une part, la supériorité de l’apprentissage profond sur les fonctionnalités artisanales pour la détection audio du COVID-19 est vérifiée. D'autre part, il est montré que l'ensemble des SVM améliore encore les performances d'un seul modèle SVM puisque les échantillons sont utilisés plus efficacement.

De mauvaises prédictions produisent souvent des incertitudes plus élevées (voir l'image en haut à gauche), ce qui permet de tirer parti du seuil d'incertitude empirique pour conseiller à l'utilisateur de répéter le test audio sur le téléphone ou d'effectuer des tests supplémentaires si les diagnostics numériques échouent toujours. Tests cliniques (voir image ci-dessus à droite). En intégrant l’incertitude dans les systèmes de diagnostic automatisés, il est possible d’obtenir une meilleure gestion des risques et une prise de décision plus solide.

En novembre 2021, les chercheurs ont publié un ensemble complet de données audio COVID-19 à grande échelle dans NeurIPS 2021, composé de 53 449 échantillons audio (plus de 552 heures au total) collectés par 36 116 participants. Des articles connexes ont été acceptés pour publication dans NeurIPS 2021 Dataset Track.

Dans l'article, les chercheurs démontrent des performances ROC-AUC supérieures à 0,7 sur les tâches de prédiction des symptômes respiratoires et de prédiction du COVID-19, confirmant la promesse des méthodes d'apprentissage automatique basées sur ces types d'ensembles de données.

En juin 2022, les chercheurs espèrent explorer le potentiel des échantillons audio longitudinaux au fil du temps pour prédire la progression du COVID-19, en particulier la prévision des tendances de récupération à l’aide de l’apprentissage profond séquentiel. L'article a été publié dans JMIR, une revue dans le domaine de la médecine et de la santé numériques. Cette étude est sans doute le premier travail à explorer la dynamique audio longitudinale pour la prédiction de la progression de la maladie COVID-19.

Adresse papier : https://www.jmir.org/2022/6/e37004

Pour explorer la dynamique audio des biomarqueurs audio historiques personnels, les chercheurs ont développé et validé une méthode utilisant des unités récurrentes fermées (GRU) Deep approche d’apprentissage pour détecter la progression de la maladie COVID-19.

Le modèle proposé comprend un réseau convolutionnel pré-entraîné nommé VGGish pour extraire des informations audio de haut niveau, et GRU pour capturer la dépendance temporelle des échantillons audio longitudinaux.

L'étude a révélé que le système proposé fonctionnait bien pour distinguer les échantillons audio positifs et négatifs au COVID-19.

Dans cette série d'études, des érudits chinois tels que Ting Dang, Jing Han et Tong Xia sont également apparus.

Peut-être ne sommes-nous pas loin du jour où nous pourrons utiliser une application pour détecter le COVID-19. ​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!