Google AI вскоре сможет использовать кашель человека для диагностики заболеваний

Команда под руководством ученых Google разработала инструмент машинного обучения, который может помочь обнаруживать и контролировать состояние здоровья, оценивая такие шумы, как кашель и дыхание. Система искусственного интеллекта (ИИ), обученная на миллионах аудиозаписей человеческих звуков, однажды может быть использована врачами для диагностики заболеваний, включая COVID-19 и туберкулез, а также для оценки того, насколько хорошо функционируют легкие человека.

Это не первый раз, когда исследовательская группа исследует использование звука в качестве биомаркера заболеваний. Эта концепция получила распространение во время пандемии COVID-19, когда ученые обнаружили, что респираторное заболевание можно обнаружить по кашлю человека.

Что нового в системе Google, называемой Health Acoustic Representations (HeAR), так это огромный набор данных, на котором она обучалась, и тот факт, что ее можно точно настроить для выполнения нескольких задач.

Исследователи, которые сообщили об этом инструменте ранее в этом месяце, который еще не прошел рецензирование, говорят, что еще слишком рано говорить о том, станет ли HeAR коммерческим продуктом. На данный момент план состоит в том, чтобы предоставить заинтересованным исследователям доступ к модели, чтобы они могли использовать ее в своих собственных исследованиях. «Наша цель в рамках исследования Google — стимулировать инновации в этой зарождающейся области», — говорит Суджей Какармат, менеджер по продукту Google в Нью-Йорке, который работал над этим проектом.

В случае с HeAR команда Google адаптировала его для выявления COVID-19, туберкулеза и таких характеристик, как курение человека. Поскольку модель была обучена на таком широком диапазоне человеческих звуков, для ее точной настройки исследователям пришлось передать ей лишь очень ограниченные наборы данных, помеченных этими заболеваниями.

По шкале, где 0,5 представляет модель, которая работает не лучше, чем случайное предсказание, а 1 представляет модель, которая каждый раз делает точный прогноз, HeAR набрал 0,645 и 0,710 для обнаружения COVID-19, в зависимости от того, на каком наборе данных он был протестирован — более высокая производительность, чем у существующих моделей, обученных на речевых данных. По туберкулезу показатель составил 0,739.

Тот факт, что исходные данные обучения были настолько разнообразными — с разным качеством звука и человеческими источниками — также означает, что результаты поддаются обобщению, говорит Какармат.

Али Имран, инженер из Университета Оклахомы в Талсе, говорит, что сам объем данных, используемых Google, придает значимость исследованию. «Это дает нам уверенность в том, что это надежный инструмент», — говорит он.