Εφαρμογές με τεχνητή νοημοσύνη θα αναγνωρίζουν από τον βήχα σας που θα καταγράφεται στο κινητό σας τηλέφωνο, αν έχετε μολυνθεί από COVID-19.
Τα νέα μοντέλα μηχανικής μάθησης θα βασίζονται στο πως ακούγεται ο βήχας σας που θα καταγράφεται από το κινητό τηλέφωνο, ώστε να εντοπίζουν με ακρίβεια αν έχετε κορονοϊό, ακόμη και αν είστε χωρίς συμπτώματα.
Ερευνητικές ομάδες ανά τον κόσμο εργάζονται πυρετωδώς για να βρουν ένα φτηνό, γρήγορο και αποτελεσματικό τρόπο ανίχνευσης του κορονοϊού. Κάποιοι έχουν στρέψει το βλέμμα τους στην τεχνητή νοημοσύνη για να κατασκευάσουν μία εφαρμογή που θα μπορούσε να εντοπίσει την παρουσία κορονοϊού από το βήχα.
Καθόλου ευφάνταστο, αφού τον Ιούνιο, μια ομάδα στο Πανεπιστήμιο της Οκλαχόμα έδειξε ότι ήταν δυνατόν να διακρίνουμε έναν βήχα COVID-19 από ένα βήχα που προέρχεται από άλλες λοιμώξεις. Έτσι τώρα ένα έγγραφο από το MIT αναφέρει ότι χρησιμοποιώντας ένα τεράστιο σύνολο δεδομένων από ήχους με βήχα, μπορεί και αναγνωρίζει ασυμπτωματικούς ανθρώπους με επιτυχία ανίχνευσης 100 τοις εκατό.
Αναφέρει ότι οι εφαρμογές αυτές θα μπορούσαν να καταγράψουν, κατόπιν εντολής του χρήστη, τον βήχα του, ώστε να τον ειδοποιήσουν αν έχει κορονοϊό και θα μπορούσαν τελικά να χρησιμοποιηθούν για δωρεάν, μεγάλης κλίμακας προφύλαξης του πληθυσμού.
Το γεγονός ότι μοντέλα τεχνητής νοημοσύνης μπορούν να ανιχνεύσουν τον COVID-19 μέσα από τον βήχα υποδηλώνει ότι δεν υπάρχει πράγματι αληθινά ασυμπτωματική λοίμωξη και αν κολλήσετε τότε πάντα πραγματοποιούνται φυσικές αλλαγές στο σώμα σας, που αλλάζουν τον τρόπο που ένα άτομο παράγει ήχο.
«Δεν υπάρχουν πολλές καταστάσεις που δεν σας δίνουν οποιαδήποτε συμπτώματα», λέει ο Brian Subirana, διευθυντής του εργαστηρίου του MIT και συν-συγγραφέας της πρόσφατης μελέτης, που δημοσιεύθηκε στο IEEE Open Journal of Engineering in Medicine and Biology.
Ενώ τα ανθρώπινα αυτιά δεν μπορούν να διακρίνουν αυτές τις αλλαγές, το AI μπορεί. Ο Ali Imran, ο οποίος ηγήθηκε της προηγούμενης έρευνας στο Κέντρο Ερευνών AI4Neworks του Πανεπιστημίου της Οκλαχόμα, συγκρίνει την ιδέα με μια κιθάρα: Εάν βάλετε αντικείμενα διαφορετικών σχημάτων ή υλικών μέσα σε μια κιθάρα αλλά παίζετε τις ίδιες νότες, αυτό θα οδηγήσει σε διακριτικά διαφορετικούς ήχους. «Το ανθρώπινο αυτί είναι ικανό να διακρίνει ίσως πέντε έως δέκα διαφορετικά χαρακτηριστικά του βήχα», λέει ο Imran. «Με την επεξεργασία σήματος και τη μηχανική εκμάθηση, μπορούμε να εξαγάγουμε έως και 300 διαφορετικά χαρακτηριστικά».
Όταν ξέσπασε σε όλο τον κόσμο η πανδημία, η ομάδα του Subirana στο MIT εργαζόταν σε αλγόριθμους μηχανικής μάθησης για να ανιχνεύσει τη νόσο του Alzheimer σε ηχογραφήσεις, χρησιμοποιώντας βιοδείκτες, όπως η δύναμη των φωνητικών χορδών, το συναίσθημα, η απόδοση των πνευμόνων και η μυϊκή κατάπτωση. Όταν κατέστη σαφές ότι ο βήχας ήταν βασικό χαρακτηριστικό του COVID-19, γρήγορα στράφηκαν για να δουν αν ήταν δυνατό για την AI να εντοπίσει μολύνσεις από κορονοϊούς.
Έτσι η ομάδα συγκέντρωσε μέσω ενός ιστότοπου, περίπου μεταξύ Απριλίου και Μαΐου, ηχογραφήσεις με βήχα, αναπτύσσοντας, όπως ισχυρίζεται η ομάδα, το μεγαλύτερο σύνολο δεδομένων ήχου για COVID-19 έως σήμερα, με 70.000 ηχογραφήσεις, εκ των οποίων οι 2.680 υποβλήθηκαν από επιβεβαιωμένα άτομα.
Αρχικά, η ομάδα του MIT ανέπτυξε μοντέλα AI με μηδενικό αποτέλεσμα, αλλά σύντομα έφτασε στο ανώτατο όριο ακρίβειας, περίπου 70%. Ως δοκιμή ένα σαββατοκύριακο, οι ερευνητές εκπαίδευσαν το υπάρχον μοντέλο AI της νόσου του Αλτσχάιμερ, με τα δεδομένα για το βήχα για COVID-19 και λειτούργησε. Το μοντέλο ήταν ακριβές κατά 98,5 τοις εκατό στην ανίχνευση ατόμων που είχαν λάβει θετικό αποτέλεσμα δοκιμής. Κατά τον εντοπισμό θετικών ατόμων χωρίς καθόλου συμπτώματα, αυτή η ακρίβεια αυξήθηκε στο 100 τοις εκατό, ενώ στις αρνητικές περιπτώσεις το ποσοστό επιτυχίας ανήρθε στο 83,2 τοις εκατό.
«Ήταν λίγο περίεργο» ότι η ανίχνευση ασυμπτωματικών ασθενών ήταν ευκολότερη από ότι οι συμπτωματικοί ασθενείς, λέει ο Subirana, αλλά έχει νόημα καθώς οι συγχυτικοί παράγοντες άλλων λοιμώξεων θα δυσκόλευαν τον εντοπισμό των χαρακτηριστικών του βήχα με COVID-19.
Τον Ιούνιο, ο Imran και οι συνεργάτες του κατάφεραν να αναπτύξουν ένα μοντέλο τεχνητής νοημοσύνης για τον εντοπισμό ασυμπτωματικού βήχα και να ξεπεράσουν αυτούς τους συγχυτικούς παράγοντες για να διακρίνουν τον βήχα COVID-19 από τους ήχους βήχα της βρογχίτιδας, του κοκκύτη και του άσθματος με συνολική ακρίβεια 90%. «Στόχος μας ήταν να διασφαλίσουμε ότι κάποιος που απλά πάσχει από άσθμα δεν θα διαγνωστεί εσφαλμένα ότι έχει COVID», λέει ο Imran.
Οι περισσότερες ομάδες που αυτή την στιγμή τρέχουν τέτοιους είδους εργασίες, συλλέγουν επί του παρόντος περισσότερες εγγραφές βήχα: σε χώρους εργασίας, νοσοκομεία, διαδικτυακά και αλλού. Οι ερευνητές ελπίζουν ότι οι εφαρμογές για το βήχα θα χρησιμοποιηθούν κάποια μέρα για καθημερινές προληπτικές εξετάσεις, όπως για μαθητές ή εργάτες που θα βήχουν στο τηλέφωνό τους πριν κατευθυνθούν στο σχολείο ή στην εργασία τους. Κάτι σαν την θερμομέτρηση που συμβαίνει τώρα.
Τελικά, λέει ο Subirana, το εργαλείο θα μπορούσε να είναι μέρος ενός πραγματικού διαγνωστικού COVID-19, ίσως όταν χρησιμοποιείται σε συνδυασμό με άλλους βιοδείκτες, όπως ο πυρετός.
