Bolehkah anda mengesan COVID-19 hanya dengan batuk ke dalam telefon anda? Masih dihasilkan oleh Universiti Cambridge

Kemunculan coronavirus baharu telah benar-benar membuka kotak Pandora.

Kini, varian baharu muncul, mengganggu kehidupan manusia di seluruh bumi. Kehidupan tanpa topeng sebelum COVID-19 mungkin tidak akan kembali.

Baru-baru ini, saintis telah membuat penemuan baharu, yang mungkin membolehkan kita mengucapkan selamat tinggal kepada hari-hari mencucuk tekak kita pada masa hadapan.

Di Persidangan Antarabangsa Persatuan Pernafasan Eropah di Barcelona, ​​​​Sepanyol, satu kajian menunjukkan bahawa AI boleh menentukan sama ada pengguna telah dijangkiti COVID-19 melalui bunyi yang dikumpul oleh aplikasi telefon mudah alih.

Menurut laporan oleh News Medical, model AI yang digunakan dalam kajian ini adalah lebih murah, lebih pantas dan lebih mudah digunakan berbanding ujian antigen pantas, menjadikannya sesuai untuk negara berpendapatan rendah yang ujian PCR mahal. .

Selain itu, AI ini mempunyai satu lagi ciri yang lebih berkuasa - ketepatan yang lebih tinggi. Berbanding dengan ujian antigen pantas, ketepatannya boleh mencapai 89%.

Kadar ketepatan ialah 89%

Pasukan penyelidik menggunakan data daripada APP "Perpustakaan Bunyi COVID-19" Universiti Cambridge di UK, yang mengandungi 893 bunyi daripada 4352 bunyi yang sihat dan tidak -sampel audio yang sihat. Penemuan menunjukkan bahawa rakaman suara mudah dan algoritma AI boleh menentukan dengan tepat siapa yang dijangkiti COVID-19.

Penyunting berpendapat bahawa dia telah menemui APP harta karun Selepas memuat turunnya dengan penuh harapan, dia mendapati aplikasi dengan rating 2.8 ini hanya digunakan untuk mengumpul data. .

Kecerdasan emosi yang tinggi: Anda telah menyumbang kepada perkembangan sains.

EQ Rendah: Perisian ini tidak berguna buat masa ini.

Cik Wafaa Aljbawi, seorang penyelidik di Institut Sains Data di Universiti Maastricht di Belanda, berkata pada persidangan itu bahawa model AI adalah tepat dalam 89% kes, manakala mendatar Ketepatan ujian aliran berbeza mengikut jenama, dan ujian aliran sisi adalah kurang tepat untuk mengesan orang tanpa gejala.

Hasil yang menjanjikan ini menunjukkan bahawa rakaman mudah dan algoritma AI yang diperhalusi mungkin mencapai ketepatan yang tinggi dalam menentukan pesakit yang dijangkiti COVID-19. Ujian sedemikian tersedia secara percuma dan mudah ditafsir. Selain itu, mereka membolehkan ujian maya jauh dengan masa pemulihan kurang daripada satu minit. Sebagai contoh, ia boleh digunakan di pintu masuk ke perhimpunan besar, membolehkan pemeriksaan pantas orang ramai. ”

Wafaa Aljbawi, Penyelidik, Institut Sains Data, Universiti Maastricht

Hasil ini sangat mengujakan Maksudnya: Melalui rakaman suara asas dan algoritma AI yang disesuaikan, kami boleh mengenal pasti yang dijangkiti COVID-19 pesakit dengan ketepatan yang tinggi. Ia percuma dan mudah digunakan Editor menggosok tangannya dengan teruja: Adakah ini bermakna bahawa hari-hari satu cucuk setiap tiga hari sudah berakhir? dengan COVID-19, saluran pernafasan atas dan pita suara seseorang akan terjejas, sekali gus menukar suara

Untuk mengesahkan kebolehlaksanaan kaedah ini, Visara dari Institut Sains Data yang sama Dr. Sami Simons, pakar pulmonologi di Pusat Perubatan Universiti Maastricht, juga menjalankan ujian menggunakan maklumat daripada apl COVID-19Sounds sumber ramai Universiti Cambridge, termasuk daripada 4,352 orang sampel audio daripada subjek yang sihat dan tidak sihat, yang mana 308 diuji positif untuk COVID -19.

Semasa ujian, pengguna akan mula merakam selepas memuat turun APP ke telefon bimbit mereka Dalam proses ini, anda perlu batuk 3 kali, kemudian tarik nafas dalam-dalam mulut, dan kemudian membaca ayat pendek pada skrin 3 kali Para penyelidik menggunakan kaedah yang dipanggil analisis Spektrogram adalah kaedah analisis pertuturan yang boleh mengenal pasti ciri-ciri pertuturan yang berbeza, seperti kenyaringan, kuasa dan perubahan dari semasa ke semasa. "Untuk membezakan suara orang yang mempunyai COVID-19 daripada mereka yang tidak mempunyai penyakit, kami membina model kecerdasan buatan yang berbeza dan menilai model mana yang paling sesuai untuk mengklasifikasikan kes COVID-19."

Mereka mendapati, Satu model dipanggil ingatan jangka pendek panjang (LSTM) dengan ketara mengatasi prestasi yang lain. LSTM adalah berdasarkan rangkaian saraf, yang meniru cara otak manusia berfungsi untuk mengenal pasti potensi hubungan dalam data. Kerana ia berfungsi pada jujukan, ia sangat sesuai untuk memodelkan isyarat yang dikumpul dari semasa ke semasa, seperti isyarat daripada pertuturan, kerana keupayaannya untuk menyimpan data dalam ingatan.

Ketepatan keseluruhannya ialah 89%, keupayaannya untuk mengenal pasti kes positif dengan betul (kadar positif sebenar atau "sensitiviti") ialah 89%, dan keupayaannya untuk mengenal pasti kes negatif dengan betul (kadar negatif sebenar atau "kekhususan") ialah 83%.

Keputusan ini menunjukkan peningkatan ketara dalam ketepatan model LSTM dalam mendiagnosis COVID-19 berbanding ujian terkini seperti ujian aliran sisi.

Hasil perbandingan boleh diringkaskan dalam satu ayat: model LSTM mempunyai kadar pengecaman yang lebih tinggi untuk positif, tetapi ia juga lebih cenderung untuk salah mendiagnosis negatif sebagai positif.

Secara khusus, ujian aliran sisi hanya 56% sensitif tetapi mempunyai kekhususan yang lebih tinggi iaitu 99.5%, jadi ujian aliran sisi akan lebih kerap menyalahgunakan positif sebagai negatif. Menggunakan model LSTM mungkin terlepas 11 daripada 100 kes, manakala ujian aliran sisi akan terlepas 44 daripada 100 kes.

Kekhususan tinggi ujian aliran sisi bermakna hanya 1/10 negatif akan disalah diagnosis sebagai positif, manakala kadar salah diagnosis ujian LSTM adalah lebih tinggi, 17 daripada 100 negatif akan salah didiagnosis sebagai positif. Walau bagaimanapun, memandangkan ujian itu adalah percuma, orang ramai kemudiannya boleh diberi ujian PCR jika LSTM menunjukkan keputusan yang positif. Jadi impak yang terakhir tidak besar.

Pada masa ini, penyelidik masih lagi mengesahkan keputusan mereka. Mereka menggunakan banyak data. Sejak percubaan bermula, mereka telah mengumpul 53,449 sampel audio daripada 36,116 individu, yang boleh digunakan untuk meningkatkan dan mengesahkan ketepatan model. Di samping itu, mereka menjalankan penyelidikan lain untuk menentukan faktor pertuturan lain yang mempengaruhi model AI.

Kertas Berkaitan

Pada Jun 2021, penyelidik mula meneroka sejauh mana model AI boleh dipercayai apabila digunakan sebagai alat saringan automatik untuk COVID-19. Dalam kertas kerja yang diterima oleh INTERSPEECH 2021 ini, mereka cuba menggabungkan anggaran ketidakpastian dengan model pembelajaran mendalam untuk mengesan COVID-19 daripada bunyi.

Alamat kertas: https://arxiv.org/pdf/2104.02005.pdf

Dalam kertas itu, penyelidik menganalisis 330 positif dan 919 A ​​subset daripada subjek negatif.

Mereka mencadangkan rangka kerja pembelajaran ensemble yang menangani masalah biasa ketidakseimbangan data semasa fasa latihan dan memberikan ketidakpastian ramalan semasa inferens, yang diwujudkan sebagai varians ramalan yang dihasilkan oleh ensemble model. Model tulang belakang ialah rangkaian konvolusi terlatih bernama VGGish 1, diubah suai untuk menerima spektrogram tiga bunyi sebagai input.

Dalam kerja ini, 10 model pembelajaran mendalam telah dilatih dan diagregatkan menjadi model ensemble, menghasilkan AUC 0.74, sensitiviti 0.68 dan kekhususan 0.69, sangat baik. bagi setiap model. Di satu pihak, kelebihan pembelajaran mendalam berbanding ciri buatan tangan untuk pengesanan COVID-19 berasaskan audio disahkan. Sebaliknya, ia menunjukkan bahawa ensembel SVM meningkatkan lagi prestasi model SVM tunggal memandangkan sampel digunakan dengan lebih cekap.

Ramalan yang salah biasanya menghasilkan ketidakpastian yang lebih tinggi (lihat imej kiri atas), jadi ambang ketidakpastian empirikal boleh dimanfaatkan untuk menasihati pengguna mengulangi ujian audio pada telefon Atau melaksanakan ujian klinikal tambahan jika diagnosis digital masih gagal (lihat imej di atas kanan). Dengan menggabungkan ketidakpastian ke dalam sistem diagnostik automatik, pengurusan risiko yang lebih baik dan membuat keputusan yang lebih mantap boleh dicapai.

Pada November 2021, penyelidik mengeluarkan set data audio COVID-19 berskala besar yang komprehensif di NeurIPS 2021, yang terdiri daripada 53,449 sampel audio (jumlah keseluruhan melebihi 552 jam) yang disumberkan oleh 36,116 peserta. Kertas kerja berkaitan telah diterima untuk diterbitkan dalam NeurIPS 2021 Dataset Track.

Dalam kertas kerja, penyelidik menunjukkan prestasi ROC-AUC melebihi 0.7 pada ramalan gejala pernafasan dan tugas ramalan COVID-19, mengesahkan janji kaedah pembelajaran mesin berdasarkan jenis set data ini.

Pada bulan Jun 2022, penyelidik berharap dapat meneroka potensi sampel audio membujur dari semasa ke semasa untuk ramalan perkembangan COVID-19, khususnya aliran pemulihan menggunakan ramalan pembelajaran mendalam berurutan. Kertas itu diterbitkan dalam JMIR, jurnal dalam bidang perubatan digital dan kesihatan. Kajian ini boleh dikatakan kerja pertama untuk meneroka dinamik audio membujur untuk ramalan perkembangan penyakit COVID-19.

Alamat kertas: https://www.jmir.org/2022/6/e37004

Untuk meneroka dinamik audio biomarker audio sejarah peribadi , penyelidik membangunkan dan mengesahkan kaedah pembelajaran mendalam menggunakan unit berulang berpagar (GRU) untuk mengesan perkembangan penyakit COVID-19.

Model yang dicadangkan termasuk rangkaian konvolusi terlatih yang dinamakan VGGish untuk mengekstrak maklumat audio peringkat tinggi dan GRU untuk menangkap pergantungan temporal sampel audio membujur .

Kajian itu mendapati sistem yang dicadangkan berprestasi baik dalam membezakan sampel audio positif dan negatif COVID-19.

Dalam siri kajian ini, cendekiawan Cina seperti Ting Dang, Jing Han, dan Tong Xia turut muncul.

Mungkin, kita tidak jauh dari hari apabila kita boleh menggunakan aplikasi untuk mengesan COVID-19. ​

Atas ialah kandungan terperinci Bolehkah anda mengesan COVID-19 hanya dengan batuk ke dalam telefon anda? Masih dihasilkan oleh Universiti Cambridge. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!