هوش مصنوعی در تشخیص کووید با گوش دادن به سرفه ضعیف عمل می کند: مطالعه

طبقه‌بندی‌کننده‌های هوش مصنوعی که روی ضبط‌های صوتی آموزش دیده‌اند، نمی‌توانند به‌طور دقیق پیش‌بینی کنند که آیا کسی این کار را دارد یا خیر کووید 19 بر اساس مطالعه انجام شده توسط موسسه آلن تورینگ بریتانیا، با تجزیه و تحلیل صدای سرفه های آنها.

همانطور که برای اولین بار در مقاله ای از محققان به رهبری موسسه فناوری ماساچوست گزارش شد، ادعاهایی وجود داشت که هوش مصنوعی می تواند تفاوت صداهای سرفه را بین افراد مبتلا و بدون کووید-19 با دقت 98.5 درصد تشخیص دهد.

نتیجه منجر به تلاش‌هایی برای ساخت اپلیکیشنی با الگوریتم‌ها شد تا روشی ارزان و آسان برای آزمایش کروناویروس جدید در اختیار مردم قرار دهد. را وزارت بهداشت و مراقبت های اجتماعی در انگلستان حتی تا آنجا پیش رفت که فوجیتسو دو قرارداد به ارزش بیش از 100000 پوند برای توسعه به اصطلاح دولتی به فوجیتسو اعطا کرد.سرفه در یک جعبهبر اساس این گزارش، ابتکار عمل در سال 2021.

این نرم افزار ضبط های صوتی سرفه های کاربران را جمع آوری می کند تا روی آن تجزیه و تحلیل شود برنامه Covid-19.

محققان موسسه آلن تورینگ و انجمن آماری سلطنتی، به سفارش آژانس امنیت سلامت بریتانیا، بررسی مستقلی از فناوری هوش مصنوعی مبتنی بر صوتی به عنوان ابزار غربالگری کووید-19 انجام دادند.

آنها دریافتند که حتی دقیق‌ترین مدل تشخیص سرفه از مدلی که بر اساس سیستم‌های گزارش‌شده توسط کاربر و داده‌های جمعیت‌شناختی مانند سن و جنسیت است، بهتر عمل می‌کند.

محققان داده‌های بیش از 67000 نفر را که از طریق برنامه‌های تست و ردیابی و REACT-1 سرویس بهداشت ملی استخدام شده بودند، مورد بررسی قرار دادند، که از شرکت‌کنندگان خواسته شد نتایج تست سواب بینی و گلو کووید-19 و همچنین ضبط سرفه، تنفس و صحبت کردن آنها را ارسال کنند. .

در این گزارش آمده است که محققان در تلاشی برای بررسی اینکه آیا سرفه می‌تواند به عنوان نشانگر زیستی استفاده شود، یک مدل هوش مصنوعی را بر اساس ضبط‌های صوتی و نتایج آزمایش آموزش دادند.

کایران بیکر: “اما همانطور که ما به تجزیه و تحلیل نتایج ادامه دادیم، به نظر می رسد که دقت به احتمال زیاد به دلیل اثری در آمار به نام مخدوش است – جایی که مدل ها متغیرهای دیگری را یاد می گیرند که با سیگنال واقعی مرتبط هستند، برخلاف خود سیگنال واقعی.” یک دانشجوی دکترای آمار در کینگز کالج لندن و دستیار پژوهشی در موسسه آلن تورینگ، نقل شده است.

این سردرگمی ناشی از سوگیری استخدامی سیستم تست و ردیابی بود که شرکت کنندگان را ملزم به داشتن حداقل یک علامت برای شرکت می کرد. در این گزارش اشاره شد که محققان آزمایش‌های دیگری را انجام دادند و شرکت‌کنندگانی را با سن و جنس مشابه جفت کردند که تنها یکی از آنها مبتلا به کووید-19 بود.

بیکر گفت: «زمانی که ما این مدل‌ها را بر روی داده‌های همسان ارزیابی کردیم، مدل‌ها عملکرد خوبی نداشتند، و بنابراین به این نتیجه رسیدیم که مدل‌های ما نمی‌توانند نشانگر زیست‌آکوستیک Covid-19 را از این داده‌ها شناسایی کنند.

فیس بوکتوییترلینکدین