چگونه هوش مصنوعی تفاوت سرفه عادی و مشکوک را تشخیص می‌دهد

تلاش‌های دانشگاه‌های کمبریج و کارنگی ملون 

در این دو پروژه، هدف این است که بتوان بیماری کووید 19 را از سایر بیماری‌ها از جمله آنفلوآنزا متمایز کرد، اما دست‌اندرکاران هر دو پروژه می‌گویند نرم‌افزار نهایی نباید جایگزین آزمایش‌های پزشکی شود. این دو پروژه مستقل از هم هستند، اما هر دو بر اساس یادگیری ماشین اقدام به تجزیه و تحلیل داده‌های بزرگ می‌کنند تا الگوها را شناسایی کنند. در اوایل شیوع کووید 19 دانشگاه کمبریج پروژه صدای کرونا راه‌اندازی کرد و در این پروژه از افراد درخواست کرد در میکروفون کامپیوتر نفس بکشند و سرفه کنند و اطلاعاتی مانند سن، جنسیت و موقعیت مکانی خود را ثبت می‌کنند. اگر آزمایش کرونا داده باشند جواب آزمایششان هم ثبت می‌شود. در آخر از آن‌ها خواسته شد این جمله را سه بار بخوانند: « امیدوارم اطلاعاتم بتواند به کنترل همه‌گیری ویروس کرونا کمک کند.» پرفسور سیسیلیا ماسکولو می‌گوید: «هدف ما جمع‌آوری انبوهی داده بود تا بفهمیم آیا می‌توانیم با استفاده از این صداها، افراد مبتلا به کرونا را شناسایی و مرحله بیماری آن‌ها را تعیین کنیم. به‌طوی که بتوان بیمارانی که نیازمند مراجعه به اورژانس هستند را شناسایی کنیم. در روزهای اول ، 1200 نفر صدای خود را ضبط کردند و 22 نفر گفتند نتیجه تست ویروس کرونایشان مثبت بوده است. پس از موفقیت‌آمیز بودن این طرح در شناسایی دقیق الگوها، اکنون به دنبال آن هستیم تا عملکرد آن‌را گسترش داده و برای شناسایی سرفه‌های مربوط به بیماری‌های تنفسی دیگر از آن‌ استفاده کنیم. به‌طور معمول، تجزیه وتحلیل داده زمان‌بر نیست، اما همه چیز به کیفیت داده‌های جمع‌آوری شده بستگی دارد.»

در سویی دیگر، دانشگاه کارنگی ملون قرار دارد که برنامه صدایاب کرونا  را بر مبنای تحقیقات قبلی دانشگاه پیتزبورگ با جمع‌آوری، ثبت و ضبط صدا جمع‌آوری کرده است.  این برنامه در 30 مارس 2020 مدت کوتاهی در دسترس عموم قرار گرفت. در آن از کاربران خواسته ‌شد سرفه کنند، حروف صدادار را تلفظ کنند، الفبا بخوانند و برخی مشخصات خود را ثبت کنند. در پایان، دستگاه احتمال ابتلای آن‌ها به بیماری کرونا را حدس می‌زد. اکنون محققان مشغول بارنگری این برنامه هستند. دکتر ریتا سینگ می‌گوید: «دقت کنید که این برنامه نباید جایگزین هیچ‌گونه آزمایش پزشکی شود و مردم نباید آن‌را خیلی جدی بگیرند. اگر برنامه به‌درستی نشان ندهد فرد مبتلا به کرونا است، ممکن است به قیمت جان افراد تمام شود و اگر به فرد سالم به اشتباه بگوید به این ویروس آلوده است، این افراد به بیمارستان می‌روند و بی‌دلیل از امکانات حیاتی و محدود استفاده می‌کنند. هدف ما این است که بعد از افزایش دقت برنامه بتوانیم برای کاربران بازخورد اصلاح شده بفرستیم. نکته مهم دیگر برای ما، حق فراموش کردن داده‌ها است، به‌طوری که سال‌ها بعد اگر کاربر تمایل داشت بتواند همه نمونه‌های صدایش را پاک کند.»

در حالی که مدل‌های هوشمند مختلف در این زمینه ساخته شده و همان‌گونه که مشاهده خواهید کرد برخی کارکردهای مطلوب خود را به اثبات رسانده‌اند، اما برخی در این باره تردید دارند. به‌طور مثال، کریس میچلی، مدیر اجرایی شرکت اودیو آنالیتیک که در زمینه تشخیص صدا توسط هوش مصنوعی تخصص دارد اعلام می‌دارد: «با تغییر منطقه، صدای افراد هم تغییر می‌کند. این یعنی بعضی مناطق می‌توانند تاثیر نامطلوب روی مدل‌های هوش مصنوعی داشته باشند. تنها راه جلوگیری از آن کنترل دقیق داده‌ها است. "چالش دیگر کاملا تکنیکی است. ضبط دقیق اصوات تنفس بدون استفاده از میکروفون‌های تخصصی برای تجزیه و تحلیل بسیار دشوار است در حالی که در هر دوی این پروژه‌ها از کاربر خواسته می‌شود با استفاده از میکروفون معمولی گوشی هوشمند یا کامپیوتر شخصی، صدای خود را ضبط کنند.»

شناسایی کرونا از طریق سرفه

همان‌گونه که اشاره شد، مراکز بهداشتی و پزشکان برای مهار بیماری‌های مسری مجبور هستند به سراغ راه‌حل‌های غربال‌گری و انجام آزمایش‌های اولیه بالینی بروند تا بتوانند در زمان کوتاهی توصیه‌های بهداشتی را ارائه کرده و به دولت‌ها در تدوین پروتکل‌های بهداشتی کمک کنند. پیشرفت‌های 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 قادر هستند 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 می‌تواند به عنوان یک راه‌حل بالقوه برای مقابله با بیماری‌های همه‌گیر تنفسی استفاده شود، زیرا در ارتباط با کووید 19 نتایج درخشانی ارایه کرده است. از زمان همه‌گیری کووید 19 تیم‌های تحقیقاتی هوش مصنوعی در کشورهای مختلف تلاش کردند 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 کووید 19 و بررسی‌های دقیق‌تر لازم است آزمایش RT-PCR انجام شود. پژوهش‌گران حوزه هوش مصنوعی از سال 2020 روی پروژه‌ای کار کردند تا اصوات مربوط به سرفه‌ها را تحلیل کنند 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 باشند، اما ویروس تغییرات جزیی در بدن وی ایجاد کند. کاری که این الگوریتم‌های هوشمند انجام می‌دهند شناسایی این تغییرات از طریق  پردازش سیگنال صوتی و به‌کارگیری هوش مصنوعی است. رویکرد تشخیص مبتنی بر سرفه، اقتصادی، غیرتهاجمی و گسترش‌پذیر است و می‌تواند به میزان قابل توجهی مخاطرات پیرامون کادر بهداشت و درمان را کم کند و روشی ایمن برای شناسایی بیماران ارائه می‌کند. پژهشگران بر این باور هستند 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. 

چگونه هوش مصنوعی از روی صدای سرفه فرق میان کووید و سرماخوردگی را تشخیص می‌دهد؟

از نشانه‌های روشن کووید 19 سرفه، همراه با تب و خستگی 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 صدای سرفه بیماری که تنها یک سرماخوردگی عادی دارد آموزش داد. 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 1 چهار نوع صدای سرفه را نشان می‌دهد که در ظاهر شبیه به یکدیگر هستند، اما هوش مصنوعی قادر به تشخیص آن‌ها است. 

شکل 1

مدل‌های هوشمند ساخته شده در این زمینه

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 دهد. میزان موفقیت الگوریتم‌های هوشمند در این زمینه را می‌توان با استفاده از آزمایش‌های بالینی نظیر غربال‌گری RT-PCR ارزیابی کرد. اوایل فروردین 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 نشده 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 باور هستند 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 2 معماری الگوریتم به‌کار گرفته شده توسط AI4Covid 19 برای تشخیص سرفه مربوط به کووید 19 را نشان می‌دهد. 

شبکه 2

پروژه AI4Covid-19

در همین ارتباط گروهی از پژوهشگران دانشگاه اوکلاهما توانستند الگوریتم هوشمندی را برای تشخیص سرفه کووید 19 طراحی کنند. در این پژوهش آن‌ها با استفاده از هوش مصنوعی ثابت کردند که صدای سرفه افراد مبتلا متفاوت است. این گروه از پژوهشگران می‌گویند: «این واقعیت که چند مدل هوشمند می‌توانند کووید 19 در سرفه را تشخیص دهند، نشان می‌دهد که چیزی به نام ویروس کووید بدون علامت وجود ندارد و همواره تغییرات فیزیکی اتفاق می‌افتد که منجر به تغییر نحوه تولید صدا در فرد می‌شوند».

در حالی که گوش انسان نمی‌تواند این تغییرات را تشخیص دهد، اما هوش مصنوعی موفق به تشخیص این تغییرات است. علی ایمران استادیار هوش مصنوعی دانشگاه اوکلاهما و مدیر مرکز تحقیقات AI4Networks این دانشگاه می‌گوید: «می‌توان این مفهوم را با صدای یک گیتار مقایسه کرد و گفت اگر سیم‌های گیتار را تغییر دهید، اما نت‌های مشابهی را بنوازید، صدا‌های کاملا متفاوتی خواهید شنید.. گوش انسان قادر به تشخیص پنج تا ده ویژگی مختلف سرفه است. با پردازش سیگنال و با استفاده از هوش مصنوعی می‌توانیم حداکثر 300 ویژگی مختلف را استخراج کنیم.» هنگام بروز همه‌گیری این تیم در حال کار روی مجموعه‌ای از الگوریتم‌های یادگیری ماشین برای تشخیص بیماری آلزایمر در ضبط‌های صوتی با استفاده از نشانگر‌های زیستی مانند قدرت طناب صوتی، احساسات، عملکرد ریه‌ها و تخریب عضلات بود. وقتی مشخص شد که سرفه از ویژگی‌های اصلی کووید19 است، آن‌ها متوجه شدند امکان دارد عفونت‌های ویروسی کرونا از طریق هوش مصنوعی تشخیص داده شود. مدلی که آن‌ها طراحی کرده‌اند به میزان 98.5 درصد در تشخیص افراد مبتلا دقیق بود. علاوه بر این، در تشخیص افراد بدون علامت ضریب موفقیت 83.2 درصد بود. در ادامه این تیم تحقیقاتی توانستند یک مدل هوش مصنوعی برای شناسایی سرفه‌های بدون علامت و غربال کردن این عوامل مخلوط‌کننده برای تشخیص سرفه‌های کووید 19 از صدای سرفه برونشیت، سیاه سرفه و آسم با دقت 90 درصد کامل ایجاد کنند. ایمران می‌گوید: «هدف از ساخت الگوریتم هوشمند فوق این بود که اطمینان حاصل کنیم کسی که مبتلا به آسم است به اشتباه کرونا مثبت تشخیص داده نشود.»

کلام آخر

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. با توجه به جمع‌آوری حجم گسترده‌ای از اطلاعات، انتظار می‌رود در زمان بروز بیماری همه‌گیر بعدی، الگوریتم‌های هوشمند بتوانند با تشخیص الگوهای سرفه به سرعت افراد بیمار را شناسایی کنند.