کاربرد هوش مصنوعی: کووید یا یک سرفه ساده
منبع: https://www.kdnuggets.com/2020/12/covid-cough-ai-detecting-sounds.html
پزشکان برای مهار بیماریهای مسری مجبورند به سراغ راهحلهایی نظیر غربالگری و انجام آزمایشهای اولیه بالینی بروند تا بتوانند در زمان کوتاهی توصیههای بهداشتی ارائه کرده و به دولتها در تدوین پروتکلهای بهداشتی کمک کنند. کاربرد هوش مصنوعی در چند وقت اخیر در زمینه ساخت مدلهای هوش مصنوعی و یادگیری عمیق در ارتباط با طبقهبندی سرفه افراد به پژوهشگران اجازه داده تا الگوهایی پیادهسازی کنند که قادرند کووید 19 را بر مبنای آهنگ تغییر اصوات مربوط به سرفههای افراد تشخیص دهند.
رویکرد فوق که تشخیص مبتنی بر سرفههای غیرتهاجمی نام دارد، مقرون به صرفه و گسترشپذیر است و در صورت تأیید، می تواند به عنوان یک راهحل بالقوه برای مقابله با بیماری کووید 19 شناخته شود.
از زمان شیوع و همهگیری بیماری کووید 19 چند تیم تحقیقاتی هوش مصنوعی در تلاشند تا الگوریتمهای هوشمند را برای بهبود غربالگری، ردیابی نشانهها و تشخیص زودهنگام کووید 19 به خدمت بگیرند. بخش عمدهای از این اقدامات مقدماتی شامل بهکارگیری اشعه ایکس است، هرچند گاهی اوقات برای تشخیص سریعتر کویید 19 و بررسیهای دقیقتر لازم است آزمایش RT-PCR انجام شود.
پژوهشگران حوزه کاربرد هوش مصنوعی چند وقتی است روی فرآیند آزمایش و تحلیل اصوات مربوط به سرفهها متمرکز شدهاند تا بتوانند راهکاری ایمن در ارتباط با شناسایی افراد ناقل بدون علامت ابداع کنند. راهحل فوق به این دلیل مهم است که ممکن است فردی علائم مشخصی نداشته باشد، اما ویروس تغییرات جزیی در بدن وی ایجاد کند.
کاری که این الگوریتمهای خاص انجام میدهند شناسایی این تغییرات از طریق پردازش سیگنال صوتی و بهکارگیری یادگیری ماشین است. رویکرد تشخیص مبتنی بر سرفه، اقتصادی، غیرتهاجمی و گسترشپذیر است و در صورت تأیید قادر است به میزان قابل توجهی مخاطرات پیرامون کادر بهداشت و درمان را کم کند و روشی ایمن برای شناسایی بیماران ارائه کند. پژهشگران بر این باورند که میزان اثربخشی فناوری فوق در مقایسه با الگوهای استاندارد، بهتر است. در روشهای استاندارد امروزی، غربالگری کووید 19 بر مبنای دمای بدن افراد و به ویژه افرادی که فاقد هرگونه علامت خاصی هستند انجام میشود.
کاربرد هوش مصنوعی در تحلیل علایم شهودی قابل استخراج از صدای سرفه
سرفه، همراه با تب و خستگی از علایم اصلی کووید 19 است. مطالعات نشان میدهند که سرفه ناشي از بيماريهاي تنفسي مختلف یکسان نیستند و عوامل تحريك كننده هر بیماری تنفسی ويژگيهاي منحصر به فرد خاص خود را دارد. در شرایطی که گوش انسان نمیتواند این ویژگیها را از یکدیگر تشخیص دهد، اما مدلهای هوش مصنوعی را میتوان برای یادگیری این ویژگیها و تفکیک صدای سرفه یک بیمار کووید 19 از بیماری که تنها یک سرماخوردگی عادی دارد آموزش داد.
پیشنهاد مقاله: چرا آموزش هوش مصنوعی مهم است؟
یکی از چالشهای مهم در این زمینه عدم دسترسی کمی و کیفی به دادهها در ارتباط با آموزش مدل هوش مصنوعی است. با اینحال، دانشمندان موفق شدهاند با جمعآوری دادههای مربوطه به دستاوردهای مهمی نائل شوند، بهطوری که الگوریتمهای هوشمندی طراحی کردهاندکه قادر به تشخیص صداهای سرفه است. متأسفانه، سرفه علامت شایع بیشتر بیماریهای تنفسی و غیر تنفسی است.
شکل یک چهار نوع صدای سرفه را نشان میدهد که در ظاهر شبیه به یکدیگرند، اما هوش مصنوعی قادر به تشخیص آنها است. مدلهای هوشمند برای آنکه عملکرد قابل قبولی داشته باشند باید یاد بگیرند که سرفههای مربوط به کووید 19 را از سرفههای ناشی از سایر بیماریهای تنفسی تشخیص دهند. میزان موفقیت الگوریتمهای هوشمند در این زمینه را میتوان با استفاده از آزمایشهای بالینی نظیر غربالگری RT-PCR ارزیابی کرد.
اوایل فروردین امسال (1399)، محققان هوش مصنوعی تصمیم گرفتند دادههای صوتی سرفه را از طریق برنامههای تلفن همراه و وبسایتها جمعآوری کنند و الگوریتمهای هوشمندی را برای تشخیص کووید 19 از طریق تحلیل اصوات پیادهسازی کنند. از مهمترین مدلهای طراحی شده در این زمینه میتوان به AI4Covid-19 از دانشگاه اوکلاهما، Covid-19 sounds از دانشگاه کمبریج، Coswara از موسسه IISC Bangalore ، Cough against Covid-19 از موسسه تحقیقاتی Wadhwani AI، آشکارساز صوتی کووید 19 از موسسه CMU ، Opensigma از آزمایشگاه هوش مصنوعی MIT، AI Saama و شرکت نوبنیان Novoic واقع در انگلستان اشاره کرد.
در حالی که دادههای صوتی متعلق به AI4Covid-19، Cough against Covid-19 و پروژه تحقیقاتی Saama AI در یک محیط کنترلشده یا از بیمارستانهای تحت نظارت بالینی جمعآوری شده بودند، اصوات متعلق به Coswara ، Covid-19 sounds، COUGHVID و پروژه MIT بر مبنای دادههایی بودند که مردم داوطلبانه آنها را ارائه کرده بودند. به عبارت دقیقتر دادهها از محیطهای کنترل نشدهای جمع آوری شده بودند که بیشتر برنامههایی بودند که مردم داوطلبانه روی گوشیهای خود نصب کرده بودند یا از طریق وبسایتها جمعآوری شده بود.
در این حالت وبسایتها و برنامهها صدای مربوط به سرفهها ، صداهای تنفس (دم و بازدم)، نحوه شمارش اعداد از یک تا بیست و واکهها را همراه با ابردادههای مفید نظیر سن، جنسیت، قومیت و اطلاعات مربوط به وضعیت سلامتی جمعآوری کردند.
پروژههای تحقیقاتی Covid-19 sounds و Saama AI عملکرد بهتری نسبت به نمونههای مشابه دارند و قادر به تفکیک صدای سرفه کووید 19 از نمونههایی شبیه به سیاه سرفه، آسم و برونشیت هستند. محققان MIT در آموزش مدل خود تصمیم گرفتند از سنجههای مربوط به پروژههای قبلی در ارتباط با تشخیص آلزایمر در شناسایی کووید 19 استفاده کنند.
گزارشی که به تازگی نتایج آن منتشر شده و ارتباط میان کووید 19 و علائم مربوط به اختلالات عصبی در بیماران را نشان میدهد، این تیم تحقیقاتی را بر آن داشت تا روی جزییات دقیقتری در ارتباط با عملکرد و تخریب عضلات ریه و میزان آسیب وارد شده به تارهای صوتی متمرکز شوند. پژوهشگران موسسه MIT بر این باورند که شاید علاوه بر دما، میزان اکسیژن و تعداد دفعات ضربان قلب، امکان بهکارگیری نشانگرهای زیستی دیگری برای شناسایی دقیقتر و زودهنگام کووید 19 در دسترس باشد.
شکل دو معماری الگوریتم بهکار گرفته شده توسط AI4Covid 19 برای تشخیص سرفه مربوط به کووید 19 را نشان میدهد.
با توجه به اینکه مدلسازی صوتی بر مبنای مجموعه دادههای مشخصی انجام میشود و موسسات تحقیقاتی از روشهای متفاوتی برای آموزش مدلهای خود استفاده میکنند به سختی میتوان نتایج اولیه را به عنوان یک راهحل عمومی به رسمیت شناخت. با توجه به اینکه سن و جنسیت در سرفه تاثیرگذار است، به دادههای بیشتری نیاز است تا بتوان عملکرد این روش را به آحاد جامعه تعییم داد و به عنوان یک ابزار محافظتی پیشگیرانه غیرتهاجمی برای مقابله با کووید 19 به کار گرفت.
با اینحال، جمعآوری دادهها برای آموزش دقیقتر این مدلها در جریان است و موسسات از افراد درخواست کردهاند تا الگوی سرفه خود را برای این موسسات ارسال کنند تا بتوان برای نجات جان انسانها از آنها کمک گرفت.