تشخیص مبتلایان بدون علامت covid-19 بهوسیلهی هوشمصنوعی از طریق تلفن همراه
همانطور که از عبارت افراد بدون علامت پیداست، این افراد علیرغم ابتلا به بیماری covid-19 علائم فیزیکی مشخصی بروز نمیدهند. بنابراین احتمال کمتری وجود دارد که این افراد به دنبال انجام تست تشخیصی این بیماری بروند، هرچند همچنان قادرند این بیماری را به سایرین انتقال دهند.
اخیرا مشخص شده است حتی افراد بدون علامت نیز کاملا از تغییراتی که ویروس ایجاد میکند، مصون نیستند. به تازگی پژوهشگران MIT پیبردهاند که نحوهی سرفه کردن افراد بدون علامت، از افراد سالم متفاوت است. این تفاوتها برای گوش انسان قابل تشخیص نیست اما با استفاده از هوش مصنوعی میتوان آنها را تشخیص داد.
تحقیقی به تازگی در IEEE مجلهی مهندسی پزشکی و زیستی منتشر شده است که بیان میکند، یک مدل هوش مصنوعی قادر است افراد بدون علامت را از افراد سالم، با استفاده از صدای ضبط شدهی سرفهی آنها، تشخیص دهد. داوطلبان صدای سرفههای اجباری خود را که توسط تلفنهای همراه یا رایانهی آنها ضبط شده بود، از طریق مرورگرهای وب ارسال کردند.
پژوهشگران مدل خود را توسط دهها هزار نمونهی سرفه و صدای صحبت کردن، آموزش دادند. زمانی که صدای سرفهی ضبط شدهی جدیدی به مدل داده شد، این مدل با صحت 98.5% سرفهی افرادی که covid-19 آنها تایید شده بود را شناسایی کرد.
در حال حاضر این تیم درحال توسعهی این مدل به یک برنامهی کاربرپسند، مورد تایید FDA و در مقیاس بالاست که میتواند یک ابزار پیشغربالگری رایگان، آسان و غیرتهاجمی برای شناسایی افراد بدون علامت covid-19 محسوب شود. کاربر میتواند روزانه بهوسیله تلفن همراه خود وارد حساب کاربری شود، سرفه کند و فورا بفهمد که آلوده شده است یا خیر و در صورت ابتلا برای انجام تستهای مرسوم اقدام نماید.
به گفتهی برایان سوبیرانا، پژوهشگر این تیم تحقیقاتی از آزمایشگاه MIT Auto-ID، استفاده موثر از این ابزارهای تشخیص گروهی به نحوی که هر فرد پیش از ورود به کلاس درس، محیط کار و یا رستوران از آنها استفاده نماید، میتواند موجب کاهش گسترش همهگیری گردد.
پیش از وقوع همهگیری گروههای تحقیقاتی مختلفی برای تشخیص بیماریهایی مانند ذاتالریه و آسم از طریق صدای ضبط شده سرفه توسط تلفن همراه الگوریتمهایی را آموزش داده بودند. به همین ترتیب، گروه تحقیقاتی MIT نیز پیش از همهگیری، مدل هوش مصنوعی خود را برای شناسایی علائم ابتلا به بیماری آلزایمر از طریق سرفههای اجباری آموزش میدادند. بیماری که نهتنها با زوال حافظه بلکه با تخریب عصبی عضلانی مانند تضعیف تارهای صوتی در ارتباط است.
این گروه شواهدی به دست آوردند که نشان میداد مبتلایان به covid-19 هم علائم عصبی (neurological) مشابهی را تجربه میکنند که شامل اختلال عصبی عضلانی موقت میشود. بههمین دلیل سوبیرانا در این رابطه میگوید : " ما فکر کردیم که چرا از نشانگرهای زیستی آلزایمر برای بیماری covid-19 استفاده نکنیم."
در ماه آوریل، این گروه جمع آوری هرچه بیشتر نمونههای ضبط شدهی سرفهی بیماران covid-19 را آغاز کردند. آنها وبسایتی را تعبیه کردند که افراد میتوانستند صدای سرفهی ضبط شده خود را در آن قرار دهند. این صداها از طریق تلفن همراه یا به وسیلهی ابزاری بر پایهی وب که در وبسایت قرار داده شده بود، ضبط شده بودند. شرکت کنندگان همچنین پرسشنامهای در رابطه با علائمی که داشتند، پر کردند.
تاکنون این پژوهشگران موفق شدند 70,000 صدای ضبط شده جمع آوری کنند که برخی از آنها شامل چندین سرفه بودند که در کل بالغ بر 200,000 نمونه صوتی سرفهی اجباری را شامل میشود.
از این تعداد حدود 2,500 نمونهی صوتی از افرادی بود که covid-19 آنها تایید شده بود، با این تعداد بهعلاوهی 2,500 نمونه از افراد سالم یک پایگاه دادهی 5,000تایی ساخته شد. از این تعداد به صورت تصادفی، 4,000 نمونه برای آموزش و 1,000 نمونه برای آزمون قرار داده شدند.
این تحقیق نشان داد که مدل هوش مصنوعی که برای تشخیص آلزایمر مورد استفاده قرار گرفته بود قادر است بر مبنای چهار نشانگر زیستی یعنی قدرت تارهای صوتی، احساسات، عملکرد ریهها و دستگاه تنفسی و تحلیل عضلانی الگوی مخصوص covid-19 را تشخیص دهد.
سوبیرانا تاکید میکند که این مدل هوش مصنوعی برای بیماران دارای علامت (چه علائم covid-19 باشد یا حاصل از آنفلوآنزا یا آسم) مناسب نیست. قدرت این ابزار در توانایی تشخیص سرفهی افراد بدون علامت از سرفهی افراد سالم است.
این گروه علاوه بر همکاری با یک کمپانی برای توسعهی این مدل هوش مصنوعی به صورت یک برنامهی پیش غربالگری رایگان، با بیمارستانها هم برای جمع آوری دادههای بیشتر برای تقویت مدل و افزایش صحت آن، مشارکت میکند.
منبع:
https://scitechdaily.com/ai-can-diagnose-covid-19-through-cellphone-recorded-coughs-even-if-you-dont-have-symptoms/
کلید واژه ها:
#covid-19
#cough
#artificial-intelligence
#codecool
#bioinformatics