مدل هوش مصنوعی عفونت‌های بدون علامت COVID19 را از طریق سرفه‌های ثبت‌شده در تلفن همراه شناسایی می‌کند

منتشر شده در: MIT news به تاریخ ۲۹ اکتبر ۲۰۲۰
لینک مطلب اصلی: Artificial intelligence model detects asymptomatic Covid-19 infections through cellphone-recorded coughs

افراد بدون علاپم را که با COVID19 آلوده شده‌اند، بنا به تعریف، هیچ نشانه فیزیکی قابل تشخیصی از بیماری ندارند. در نتیجه احتمال کمتری وجود دارد که آن‌ها به دنبال تست ویروس باشند و ناخواسته می‌توانند عفونت را به دیگران منتقل کنند.

اما به نظر می‌رسد کسانی که بدون علامت هستند ممکن است کاملا عاری از تغییرات ایجاد شده توسط ویروس نباشند. محققان MIT اکنون دریافته اند که افرادی که بدون علامت هستند ممکن است از نظر سرفه با افراد سالم متفاوت باشند. این تفاوت‌ها برای گوش انسان قابل‌درک نیستند. اما معلوم شد که آن‌ها را می توان با هوش مصنوعی تشخیص داد.

در مقاله‌ای که اخیرا در مجله IEEE مهندسی پزشکی و زیست‌شناسی منتشر شده‌است، این تیم در مورد یک مدل هوش مصنوعی گزارش می‌دهد که افراد بدون علامت را از افراد سالم از طریق ضبط سرفه اجباری متمایز می‌کند، که مردم داوطلبانه آن را از طریق مرورگرها و دستگاه‌های وب مانند تلفن همراه و لپ‌تاپ‌ها ارسال می‌کردند.

محققان این مدل را بر روی ده‌ها هزار نمونه سرفه و همچنین کلمات گفته‌شده آموزش دادند. هنگامی که آن‌ها به مدل ثبت سرفه جدید دادند، به دقت ۹۸.۵ درصد سرفه از افرادی که تایید شده بودند دارای COVID19 هستند را شناسایی کرد، از جمله ۱۰۰ درصد سرفه از طرف فارغ التحصیلان-که گزارش دادند آن‌ها علائم بیماری ندارند اما از نظر ویروس آزمایش شده‌اند.

این تیم در حال کار بر روی ترکیب این مدل با یک برنامه کاربردی کاربر پسند است، که اگر FDA تایید و در مقیاس بزرگ بکار رود می‌تواند به طور بالقوه یک ابزار آزاد، راحت و غیر تهاجمی برای شناسایی افرادی باشد که احتمالا برای COVID19 بدون علامت هستند. یک کاربر می‌تواند روزانه وارد سیستم شود، در تلفن خود سرفه کند، و فورا اطلاعاتی در مورد این که آیا ممکن است آلوده شوند یا خیر به دست آورد و بنابراین باید با یک تست رسمی تایید شود.

برایان سوبریانا، یکی از محققان آزمایشگاه تشخیص خودکار MIT می‌گوید: « اجرای موثر این ابزار تشخیصی گروهی می‌تواند گسترش این بیماری همه‌گیر را کاهش دهد اگر همه قبل از رفتن به کلاس درس، کارخانه یا رستوران از آن استفاده کنند.»

همکاران سوبریانا جردی لاگرتا و فرران هوتو از آزمایشگاه شناسایی خودکار MIT هستند.

علائم صوتی

قبل از شروع این بیماری همه‌گیر، گروه‌های تحقیقاتی در حال حاضر الگوریتم های آموزشی در مورد ضبط صدای سرفه برای تشخیص دقیق شرایطی مانند ذات‌الریه و آسم را آموزش داده‌اند. به همین ترتیب، تیم MIT در حال توسعه مدل‌های هوش مصنوعی برای تحلیل ضبط سرفه اجباری بود تا ببیند آیا آن‌ها می‌توانند علائم آلزایمر را تشخیص دهند، بیماری که نه تنها با کاهش حافظه بلکه با تخریب عصبی-عضلانی مانند تارهای صوتی ضعیف همراه است.

آن‌ها ابتدا یک الگوریتم یادگیری ماشین عمومی یا شبکه عصبی موسوم به ResNet50 را آموزش دادند تا صداهای مرتبط با درجات مختلف قدرت طناب صوتی را تشخیص دهند. مطالعات نشان داده‌اند که کیفیت صدای "mmmm" می‌تواند نشان‌دهنده این باشد که تاره‌ای صوتی فرد چقدر ضعیف و یا قوی هستند. سوبیرانا شبکه عصبی را بر روی یک مجموعه داده صوتی با بیش از ۱۰۰۰ ساعت صحبت آموزش داد تا کلمه «آن‌ها» را از کلمات دیگر مانند «و» سپس انتخاب کند.

این تیم یک شبکه عصبی دوم را آموزش داد تا حالت‌های احساسی آشکار در سخنرانی را تشخیص دهد، زیرا بیماران آلزایمر-و افرادی که به طور کلی دچار افت نورولوژیکی هستند-نشان‌داده شده‌اند که احساسات خاصی مانند ناامیدی، یا داشتن یک تاثیر یکنواخت را بیشتر از ابراز شادی یا آرامش نشان می‌دهند. محققان یک مدل طبقه‌بندی کننده گفتار احساسی را با آموزش آن بر روی مجموعه داده وسیعی از بازیگران در مورد حالات احساسی مانند خنثی، آرام، شاد و غمگین توسعه دادند.

سپس محققان سومین شبکه عصبی را بر روی پایگاه‌داده سرفه آموزش دادند تا تغییرات در عملکرد ریه و تنفسی را تشخیص دهند.

در نهایت، این تیم هر سه مدل را با هم ترکیب کرد و الگوریتمی را برای تشخیص تجزیه عضلانی روی هم گذاشت. الگوریتم این کار را اساسا با شبیه‌سازی یک ماسک صوتی، یا لایه نویز، و تشخیص سرفه‌های قوی-آن‌هایی که می‌توانند از طریق سر و صدا شنیده شوند-بر روی صداهای ضعیف‌تر انجام می‌دهد.

این تیم با چارچوب جدید هوش مصنوعی خود، نوارهای صوتی، شامل بیماران آلزایمر را تغذیه کرد و دریافت که می‌تواند نمونه‌های آلزایمر را بهتر از مدل‌های موجود شناسایی کند. نتایج نشان داد که در کنار هم، قدرت طناب صوتی، احساس، عملکرد ریه و تنفسی و تجزیه عضلانی بیومارکرهای موثری برای تشخیص بیماری هستند.

هنگامی که پاندمی ویروس کرونا شروع به آشکار شدن کرد، سوبیرانا تعجب کرد که آیا چارچوب هوش مصنوعی آن‌ها برای آلزایمر ممکن است برای تشخیص COVID19 نیز کار کند، زیرا شواهد رو به رشدی وجود داشت که نشان می‌داد بیماران مبتلا به این بیماری، برخی علائم عصبی مشابه مانند اختلال موقتی عصبی-عضلانی را تجربه می‌کنند.

صدای صحبت کردن و سرفه هر دو از تارهای صوتی و اندام‌های اطراف تاثیر می‌پذیرند. این به این معنی است که وقتی صحبت می‌کنید، بخشی از صحبت‌های شما مانند سرفه است و برعکس. هم چنین به این معنی است که چیزهایی که ما به راحتی از گفتار روان و روان به دست می‌آوریم، هوش مصنوعی می‌تواند به سادگی از سرفه کردن، از جمله چیزهایی مثل جنسیت فرد، زبان مادر و یا حتی حالت عاطفی او را بگیرد. در واقع این احساس وجود دارد که چطور سرفه می‌کنید. « بنابراین ما فکر کردیم، چرا ما این بیومارکرهای آلزایمر را [ امتحان نکنیم تا ببینیم آیا آن‌ها ] مربوط به کووید هستند.»

شباهت قابل‌توجه

در ماه آوریل، تیم شروع به جمع‌آوری تعداد زیادی سرفه‌های ضبط‌شده از جمله سرفه‌های بیماران COVID19 کرد. آن‌ها وب سایتی را ایجاد کردند که در آن مردم می‌توانند یک سری سرفه را از طریق تلفن همراه یا دیگر ابزارهای فعال در وب ثبت کنند. شرکت کنندگان همچنین بررسی علائمی که تجربه می‌کنند را تکمیل می‌کنند، اینکه آیا COVID19 دارند یا خیر، و اینکه آیا آن‌ها از طریق یک تست رسمی، توسط ارزیابی پزشک از علائم خود، یا در صورت تشخیص خود، تشخیص داده شده‌اند یا خیر. آن‌ها همچنین می‌توانند به جنسیت، موقعیت جغرافیایی و زبان بومی خود توجه کنند.

تا به امروز، محققان بیش از ۷۰۰۰۰ نوار ضبط‌شده را جمع‌آوری کرده‌اند، که هر کدام حاوی چندین سرفه است، که به حدود ۲۰۰۰۰۰ نمونه صوتی سرفه اجباری می‌رسد، که سوبیرانا می‌گوید «بزرگ‌ترین مجموعه داده سرفه تحقیقاتی است که ما از آن اطلاع داریم».

این تیم از ۲۵۰۰ نوار ضبط‌شده مرتبط با کووید به همراه ۲۵۰۰ نوار ضبط‌شده دیگر استفاده کرد که به طور تصادفی از مجموعه انتخاب شدند تا مجموعه داده را متعادل کنند. آن‌ها از ۴۰۰۰ نمونه برای آموزش مدل هوش مصنوعی استفاده کردند. سپس ۱۰۰۰ نوار ضبط‌شده باقی مانده به مدل داده شد تا ببیند آیا می‌تواند به دقت سرفه کردن را از بیماران کووید در مقایسه با افراد سالم تشخیص دهد.

با کمال تعجب، همانطور که محققان در مقاله خود می‌نویسند، تلاش‌های آن‌ها «یک شباهت قابل‌توجه بین آلزایمر و تبعیض کووید» را آشکار کرده‌است.

بدون ایجاد تغییرات زیاد در چارچوب هوش مصنوعی که در اصل برای آلزایمر در نظر گرفته شده‌بود، آن‌ها متوجه شدند که این توانایی را دارند تا الگوهایی را در چهار شاخص زیستی-قدرت طناب صوتی، احساس، عملکرد ریوی و تنفسی، و تخریب عضلانی-که مخصوص COVID19 هستند، انتخاب کنند. این مدل ۹۸.۵ درصد سرفه از افرادی که با COVID19 تایید شده بودند را شناسایی کرد، و از آن‌ها، به درستی تمام سرفه‌های بدون علامت را شناسایی کرد.

سوبیرانا می‌گوید: « ما فکر می‌کنیم این نشان می‌دهد که روش تولید صدا، حتی اگر بدون علامت باشید، در زمان تولید کووید تغییر می‌کند.»

علائم بیماری

سوبیرانا تاکید می‌کند که هدف از این مدل تشخیص افراد علامت‌دار نیست تا جایی که علائم آن‌ها به خاطر COVID19 یا دیگر شرایط مانند آنفولانزا یا آسم باشد. قدرت این ابزار در توانایی آن برای تشخیص سرفه‌های بدون علامت از سرفه‌های سالم نهفته‌است.

این تیم با یک شرکت برای توسعه یک برنامه کاربردی پیش غربالگری رایگان براساس مدل هوش مصنوعی آن‌ها کار می‌کند. آن‌ها همچنین با چندین بیمارستان در سراسر جهان هم‌کاری می‌کنند تا یک مجموعه ضبط سرفه بزرگ‌تر و متنوع‌تر جمع‌آوری کنند که به آموزش و تقویت دقت مدل کمک خواهد کرد.

همانطور که آن‌ها در مقاله خود پیشنهاد می‌کنند، « اگر ابزارهای غربالگری همیشه در پس‌زمینه باشند و به طور مداوم بهبود یابند، پاندمیک می‌تواند چیزی از گذشته باشد.»

در نهایت، آن‌ها پیش‌بینی می‌کنند که مدل‌های هوش مصنوعی صوتی مانند مدلی که ایجاد کرده‌اند، ممکن است در بلندگوهای هوشمند و دیگر ابزارهای گوش دادن گنجانده شوند تا افراد بتوانند به راحتی یک ارزیابی اولیه از خطر بیماری خود، شاید به صورت روزانه، به دست آورند.

ترجمه این مقاله با استفاده از ربات ترجمه آنلاین مقالات هوش مصنوعی انجام شده و بصورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.