咳の音からCOVID-19の感染を判断するAI

コロナウイルス(COVID-19)の感染者の増加はまだまだ続いていて、収束する兆しがなかなか見えてきません。また、自分が感染しているのかどうか不安だけど、PCR検査を受けられなくいという人も多いのではないでしょうか。そんな中、MITが咳の音からCOVID-19に感染しているかどうか判断できるAIを開発しました。彼らの実験では正解率98.5%を達成しています。(本当にCOVID-19に感染している人は100%含み、COVID-19に感染していない人を観戦しているとご判断している状況。)
もし、実用化されれば録音した咳の音から判断できるため、家にいながらスマートホンによってCOVID-19に感染しているかどうか気軽に判断できるようになるすごい開発です。

詳細はこちらの記事で、その記事を日本語に訳しました。
元記事:https://news.mit.edu/2020/covid-19-cough-cellphone-detection-1029

COVID-19に感染していても、無症状の人は病気の身体的症状が見られないため、ウイルスの検査を求めることは少なく、知らず知らずのうちに他の人に感染を広げる可能性があります。

しかし、無症状の人でも、ウイルスによって全く体に変化起きていないわけではないようです。MIT の研究者は今、COVID-19に感染して無症状の人は咳の仕方が健康な人と異なる可能性があることを発見しました。この違いは人間の耳では識別できませんが、人工知能によって識別できることが判明した。

このほどIEEE Journal of Engineering in Medicine and Biologyに発表された論文では、研究チームは、人々にWebブラウザや携帯電話やラップトップなどのデバイスで咳を録音してもらい、無症状の人と健康な人を区別するAIモデルを作成したと報告している。

研究者たちは、何万もの咳のサンプルと話し言葉をもとにモデルを訓練したのち、学習に使用したものとは違う新しい咳のデータをモデルに与えたところ、COVID-19の感染が確認された人の咳の98.5%を正確に識別することができました。

研究チームは、このモデルがFDA に承認され、大規模に採用された場合は、COVID-19 に感染しながらも無症状である可能性が高い人々を識別するための無料で便利な事前スクリーニング ツールになる可能性があります。その実現に向けて、ユーザーフレンドリーなアプリにモデルを組み込むことに取り組んでいます。ユーザーは毎日ログインし、携帯電話に咳をすれば、感染している可能性があるかどうかの情報を即座に得ることができ、もし感染していると判断されれば、正式な検査で確認する必要があります。

“この集団診断ツールを効果的に実装することで、教室や工場、レストランに行く前に誰もがこれを使えば、パンデミックの蔓延を減少させることができる “と、MITのAuto-ID研究所の研究者である共著者のブライアン・スビラーナ氏は言います。

声色の感情

パンデミックの発症前から、研究グループは携帯電話での咳の記録をもとにアルゴリズムを訓練し、肺炎や喘息などの疾患を正確に診断していました。同様の方法で、MITのチームは、咳の記録を分析して、アルツハイマー病は記憶力の低下だけでなく、声帯の弱体化などの神経筋の衰えも伴うの病気で、筋肉の衰えの兆候を検出できるかどうかを確認するために、AIモデルを開発していました。

彼らはまず、声帯の強さの違いに関連した音を識別するために、ResNet50として知られる一般的な機械学習アルゴリズム、またはニューラルネットワークを訓練しました。これまでの研究では、「mmmmm」という音の質が、その人の声帯の弱さや強さを示す指標になることが示されています。スビラーナ氏は、1000時間以上の音声を収録したオーディオブックのデータセットでニューラルネットワークを訓練し、”the “や “then “などの他の単語から “them “という単語を抽出しました。

研究者らは、中立、冷静、幸福、悲しみなどの感情状態をイントネーションする俳優の大規模なデータセットで2つ目のニューラルネットワークを訓練することにより、感情音声分類器モデルを開発しました。これは、アルツハイマー病の患者や、より一般的に神経衰弱のある人々は、幸福や冷静さを表現するよりも、フラストレーションや平板な感情などの特定の感情を頻繁に表示することが示されているためです。

次に研究者たちは、肺と呼吸器のパフォーマンスの変化を識別するために、咳のデータベース上で3つ目のニューラルネットワークを訓練しました。

最後に、研究チームは3つのモデルをすべて組み合わせ、筋力低下を検出するアルゴリズムを重ね合わせました。このアルゴリズムは、基本的にオーディオマスク、つまりノイズの層をシミュレートして、強い咳(ノイズの上に聞こえる咳)と弱い咳を区別することによって行われます。

新しいAIのフレームワークを使って、アルツハイマー病患者を含む音声録音を入力したところ、既存のモデルよりもアルツハイマー病患者のサンプルを識別できることがわかりました。その結果、声帯の強さ、感情、肺や呼吸のパフォーマンス、筋肉の衰えなどを合わせて、アルツハイマー病の診断に有効なバイオマーカーになることがわかりました。

コロナウイルスの大流行が始まったとき、スビラーナ氏は、感染した患者が一時的な神経筋障害などの同様の神経症状を経験したという証拠が増えていたため、アルツハイマー病の診断にも彼らのAIフレームワークが役立つのではないかと考えました。

“話す時の音も咳の音も、声帯とその周辺の器官に影響を受けています。つまり、話している時には、話し声の一部が咳に似ていて、その逆もあるということです。また、私たちが流暢な発話から容易に導き出せるものは、AIが咳から拾うだけで、その人の性別や母語のようなものも含めて、ということです。”

“驚くべき類似点”

4月、研究チームは、COVID-19の患者の咳を含む、できるだけ多くの咳の記録を収集することに着手しました。彼らは、携帯電話やその他のウェブ接続可能な機器を使って、人々が咳を記録できるウェブサイトを立ち上げました。参加者はまた、自分が経験している症状、COVID-19を持っているかどうか、公式な検査で診断されたのか、医師による症状の評価で診断されたのか、自己診断で診断されたのかなどのアンケートにも記入します。また、性別、地理的な場所、母国語も記録することができます。

これまでに、研究者たちは7万件以上の咳の録音を収集しており、それぞれの録音にはいくつかの咳が含まれており、約20万件の咳の音声サンプルに相当します。無症状の人を含め、COVID-19の感染が確認された人からは約25,000件の録音が提出された。

チームは、データセットのバランスをとるために、コレクションから無作為に選んだ2,500件の録音に加えて、2,500件のコビド関連の録音を使用しました。これらのサンプルのうち4,000個をAIモデルの訓練に使用し、残りの1,000件の録音は、コビド患者と健康な人の咳を正確に識別できるかどうかをテストするために使われました。

驚くべきことに、研究者たちが論文の中で書いているように、彼らの努力は「アルツハイマー病とコビドの識別の間の顕著な類似性」を明らかにしました。

もともとアルツハイマー病のために意図されたAIの枠組みの中で多くの調整なしで、AIがCOVID-19に固有の4つのバイオマーカーのパターン- 声帯の強さ、感情、肺と呼吸器のパフォーマンス、および筋肉の劣化 – を拾うことができることを発見しました。このAIモデルは、COVID-19が確認された人の咳の98.5%を識別し、そのうち無症状の咳をすべて正確に検出しました。

“これは、無症状であってもコビドを服用すると音の出し方が変わることを示していると思います”とスビラーナ氏は言う。

無症候性の症状

スビラーナ氏は、AIモデルは、症状のある人の症状がCOVID-19によるものか、インフルエンザや喘息のような他の症状によるものかを診断するためのものではないと強調しています。このツールの強みは、無症状の咳と健康な咳を見分ける能力にある。

チームはある企業と協力して、彼らのAIモデルに基づいた無料の事前スクリーニングアプリを開発しています。また、世界中のいくつかの病院と協力して、より大規模で多様な咳の記録を収集し、モデルの訓練と精度の強化に役立てようとしています。

論文の中で彼らが提案しているように、「事前スクリーニングツールが常にバックグラウンドでオンになっていて、常に改善されていけば、パンデミックは過去のものになる可能性があります」。

最終的には、彼らが開発したような音声AIモデルをスマートスピーカーやその他のリスニングデバイスに組み込むことで、人々が日常的に、おそらくは病気のリスクの初期評価を便利に得ることができるようになることを想定しています。

本研究は、武田薬品工業株式会社の協力を得て行われました。

sciencompass34 has written 120 articles

はじめまして!”あおやぎ”と言います。
メーカーで研究開発の仕事をしています。このブログでは、私の専門分野である半導体やそれに関連する内容を紹介していきます。
半導体関連の知識をまとめたデータベースのようにしたいなと思っています。

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください