طبقه بندی صحیح سرفه ها با یادگیری ماشینی


طبقه بندی صحیح سرفه ها با یادگیری ماشینی

حافظه کوتاه مدت دو جهته می تواند از صداهای سرفه برای تشخیص کودکان بیمار از سالم استفاده کند و راه را برای غربالگری اولیه هموار کند. اعتبار: SUTD

محققان دانشگاه فناوری و طراحی سنگاپور (SUTD) نشان داده‌اند که مدل‌های یادگیری عمیق می‌توانند با استفاده از صداهای سرفه کودکان سالم و بیمار را به دقت تشخیص دهند. این یافته‌ها که در ژورنال Sensors منتشر شده است، می‌تواند درها را برای غربالگری کارآمدتر برای بیماری‌های تنفسی در کودکان باز کند و ممکن است بار بزرگی را از دوش بیماران، والدین و پزشکان بردارد.

در کودکان، سرفه می تواند نشانه ای از چندین بیماری تنفسی از جمله آسم، رینوسینوزیت و عفونت های دستگاه تنفسی باشد. فراگیر بودن سرفه به عنوان یک علامت به این معنی است که پزشکان اغلب مجبورند آزمایش ها و روش های بیشتری را برای تشخیص قطعی انجام دهند.

استادیار چن جر-مینگ از SUTD که سرپرستی این مطالعه را بر عهده داشت، گفت: «این آزمایش‌ها نیاز به مراجعه به بیمارستان دارند، بدون خطر برای کودک نیستند و نیاز به منابع مراقبت‌های بهداشتی دارند.» علاوه بر این، چنین ملاقات هایی اثرات منفی اجتماعی یا اقتصادی دیگری بر کودک و خانواده او دارد، مانند دوری از کار و نیاز به ترتیبات خاص مراقبت از کودک.

نیاز به کاهش این بار بر روی بیماران و همچنین سیستم کلی مراقبت های بهداشتی منجر به علاقه فزاینده ای به استفاده از تفاوت های جزئی در صداهای سرفه برای تشخیص یک بیماری تنفسی از دیگری شده است. با این حال، بیشتر مطالعات بر روی صدای سرفه که با دقت در تنظیمات استودیو ضبط ضبط شده است، تکیه کرده‌اند، و آنها را برای برنامه‌های واقعی نامناسب می‌سازد، جایی که نویز پس‌زمینه و تجهیزات با درجه پایین می‌توانند کیفیت سرفه‌های ضبط‌شده را به خطر بیندازند.

برای رسیدگی به این مشکل، استادیار پروفسور چن و دکتر هی هوان اینگ از بیمارستان زنان و کودکان KK و دانشکده پزشکی Duke-NUS از ضبط سرفه‌های جمع‌آوری‌شده با گوشی‌های هوشمند در یک بیمارستان زنده استفاده کردند تا شرایط واقعی «اکولوژیک» را منعکس کنند. سپس، برای کمک به آنها در طبقه‌بندی دقیق ضبط‌های سرفه به‌عنوان بیمار یا سالم، تیم به نوع خاصی از مدل شبکه عصبی عمیق به نام حافظه کوتاه‌مدت دو جهته (BiLSTM) روی آورد.

در مقایسه با سایر شبکه های عصبی مصنوعی، BiLSTM ها از واحدهای مجزا تشکیل شده اند که می توانند مقادیر را در مدت زمان دلخواه به خاطر بسپارند. استادیار پروفسور چن توضیح داد که چنین مکانیزم حافظه ای، BiLSTM ها را برای مدیریت داده های متوالی مانند صدا مناسب می کند.

این تیم برای آموزش و آزمایش مدل خود، از ضبط سرفه ۸۹ کودک مبتلا به آسم، ۱۶۰ کودک مبتلا به عفونت دستگاه تنفسی تحتانی و ۷۸ کودک مبتلا به عفونت دستگاه تنفسی فوقانی استفاده کردند. برای مقایسه، آنها همچنین صداهای سرفه 89 کودک سالم را شامل شدند.

این تیم متوجه شد که BiLSTM می تواند صداهای سرفه فردی را در 84.5 درصد موارد به طور دقیق به عنوان سالم یا بیمار طبقه بندی کند. هنگام در نظر گرفتن تمام نمونه های صوتی یک بیمار، مدل پیشگویانه دارای رتبه دقت 91.2 درصد بود. این بدان معنی است که از 10 بیمار که ضبط سرفه خود را ارائه می دهند، BiLSTM قادر خواهد بود 9 نفر را به عنوان سالم یا بیمار به درستی تشخیص دهد.

با این حال، هنگام تلاش برای تمایز بین سرفه‌های پاتولوژیک مختلف، مدل دقت کمتری داشت. برای مثال، این مدل تقریباً سه چهارم سرفه‌های آسم را به اشتباه به عفونت‌های دستگاه تنفسی نسبت داد. به نوبه خود، بیش از 60 درصد از کودکان مبتلا به آسم به اشتباه عفونت دستگاه تنفسی تحتانی را تشخیص دادند.

استاد چن خاطرنشان کرد: «تجزیه و تحلیل ویژگی‌های صوتی سرفه‌های ناسالم و سالم جمع‌آوری‌شده از همان کودک این واقعیت را نشان داد که سرفه‌های ناسالم، صرف نظر از شرایط زمینه‌ای، بسیار شبیه‌تر با سرفه‌های ناسالم دیگر هستند.» چنین مشاهده ای مطابق با سوابق حکایتی است که حتی خود پزشکان تشخیص بیماری ها را تنها بر اساس صداهای سرفه دشوار می دانند.

با این وجود، محققان دریافتند که بسیاری از طبقه بندی نادرست مدل هنگام تلاش برای تشخیص بیماری های مختلف رخ می دهد. BiLSTM در تشخیص کودکان سالم از بیمار بسیار دقیق بود.

با وجود پتانسیل آن برای تغییر غربالگری بیماری های تنفسی در بخش اطفال، هنوز کارهایی برای انجام قبل از آماده شدن مدل BiLSTM کنونی برای استقرار بالینی وجود دارد.

به طور خاص، توسعه یک برنامه گوشی هوشمند که می‌تواند ورودی صوتی را جمع‌آوری کند، آن را به سرور مرکزی برای پردازش و نمایش نتایج به کاربر نهایی ارسال کند، در قابل استفاده کردن مدل در محیط بالینی کلیدی خواهد بود. پس از به کارگیری، این روش می تواند به طور مداوم با استفاده از داده های صوتی بیشتر از بیماران، برای بهبود دقت آن در تشخیص سرفه های پاتولوژیک، اصلاح شود.

استادیار پروفسور چن گفت: «این مطالعه تنها اولین قدم به سوی توسعه یک مدل شبکه عصبی عمیق بسیار کارآمد است که می‌تواند بین صداهای مختلف سرفه ناسالم تمایز قائل شود.» “چنین رویکرد “در میدان” خودکار، غربالگری بالینی بیماری های تنفسی مرتبط با سرفه را پشتیبانی می کند و به نظارت و غربالگری سلامت، به ویژه در جوامع دوردست و در حال توسعه کمک می کند.


یک اپلیکیشن جدید می تواند به شناسایی ویروس کرونا کمک کند


اطلاعات بیشتر:
BT Balamurali و همکاران، طبقه بندی آسیب شناسی تنفسی مبتنی بر شبکه عصبی عمیق با استفاده از صداهای سرفه، حسگرها (2021). DOI: 10.3390/s21165555

ارائه شده توسط دانشگاه فناوری و طراحی سنگاپور

نقل قول: طبقه بندی صحیح سرفه ها با یادگیری ماشین (2022، 20 ژانویه) در 21 ژانویه 2022 از https://medicalxpress.com/news/2022-01-correctly-machine.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



وردپرس › خطا

یک خطای مهم در این وب سایت رخ داده است.

دربارهٔ عیب‌یابی در وردپرس بیشتر بدانید.