تشخیص دقیق بیماری با سرفه به کمک یادگیری ماشین

بر اساس مطالعه‌ای که در سال گذشته منتشر شد، سرفه یکی از شایع‌ترین مشکلاتی است که سالانه 30 میلیون ویزیت بالینی را شامل می‌شود. تا 40 درصد از این مراجعه‌های سرفه منجر به ارجاع به متخصص ریه می‌شود.

به گزارش تکناک، صداهای صوتی سالم مانند سرفه، حاوی سیگنال‌هایی هستند که به‌طور بالقوه می‌توانند به نظارت بر سلامت و بیماری کمک کنند. اما تاکنون این سیگنا‌ل‌ها در جامعه یادگیری ماشینی مورد بررسی قرار نگرفته‌اند. علاوه بر این، سیستم‌های فعلی به‌طور محدود آموزش دیده‌اند و بر روی یک کار واحد تمرکز می‌کنند.

در یک مطالعه جدید، گروهی به رهبری دانشمندان گوگل، Health Acoustic Representations (HeAR) را ارائه کردند که یک سیستم یادگیری عمیق مبتنی بر یادگیری خود نظارتی مقیاس‌پذیر با استفاده از رمزگذارهای خودکار ماسک‌دار است. این سیستم بر روی مجموعه داده بزرگی از 313 میلیون کلیپ صوتی دو ثانیه‌ای آموزش داده شده است.

محققان این مطالعه نوشتند: ما HeAR را به عنوان یک مدل جاسازی صوتی بهداشتی پیشرفته بر اساس معیاری از 33 کار صوتی در 6 مجموعه داده ایجاد کردیم.

یال بنسوزان، متخصص حنجره در دانشگاه فلوریدا گفت: به‌طور سنتی، دانشمندان از یادگیری نظارت شده زیادی در پزشکی استفاده می‌کنند، که بسیار عالی است زیرا اعتبار بالینی دارند. او خاطرنشان کرد: نکته منفی این است که مجموعه‌های داده‌‌های قابل استفاده محدود هستند زیرا داده‌های مشروحی در آنجا وجود ندارد.

محققان از طریق یک فرآیند خودکار، بیش از 300 میلیون کلیپ صوتی کوتاه از سرفه، تنفس و پاکسازی گلو را از ویدیوهای عمومی یوتیوب استخراج کردند. سپس هر کلیپ صوتی به یک نمایش تصویری صدا به نام طیف‌نگار تبدیل شد. برای کمک به مدل برای یادگیری پیش‌بینی بخش گمشده، محققان بخش‌هایی از طیف‌نگار را مسدود کردند که این کار به سازگاری آن کمک می‌کند.

HeAR برای تشخیص ویروس کووید-19 و سل و شامل ویژگی‌هایی مانند سیگار کشیدن فرد سازگار شده است. مدل HeAR بسته به مجموعه داده مورد استفاده، امتیازهای 0.645 و 0.710 را برای تشخیص کووید-19 به دست آورد که نشان‌دهنده عملکرد آن در مقیاسی است که 0.5 نشان‌دهنده پیش‌بینی تصادفی و 1 نشان‌دهنده دقت کامل است. این مدل برای تشخیص سل امتیاز 0.739 را کسب کرد.