محققان در حال پدید آوردن برنامکی برای موبایل‌اند که با استفاده از هوش مصنوعی، ابتلا به کووید-۱۹ را از طریق تحلیل صدای فرد، «دقیق» تشخیص می‌دهد.

پژوهش در مورد این برنامک که هنوز داوری علمی نشده، قرار است روز دوشنبه در اجلاس بین‌المللی انجمن بیماری‌های تنفسی اروپا در بارسلونا ارائه شود. بر اساس گزارش‌ها، یافته‌های این تحقیق نشان می‌دهد این مدل هوش مصنوعی در مقایسه با آزمایش جریان جانبی که برای تشخیص به کار می‌رود و دقت آن بسته به کارخانه سازنده آن متغیر است، در ۸۹ درصد موارد، دقیق است.

این محققان شامل پژوهشگران دانشگاه ماستریخت هلند، گفته‌اند از این برنامک می‌توان در کشورهای کم‌درآمدی که آزمایش پی‌سی‌ار گران است، استفاده کرد.

وفا الجباوی، محقق موسسه علوم داده دانشگاه ماستریخت، می‌گوید: «این نتایج امیدبخش نشان می‌دهد با ضبط ساده صدای افراد و الگوریتم‌های هوش مصنوعی که دقیق تنظیم شده باشند، به‌طور بالقوه می‌توان در تعیین اینکه کدام بیماران کووید-۱۹ دارند، به دقت بالایی دست یافت.»

محققان گفتند این برنامک امکان آزمایش از راه دور و مجازی در مدت زمان تحول‌آفرین «کمتر از یک دقیقه» را فراهم می‌کند.

الجباوی در بیانیه‌ای گفت: «مثلا از این فناوری می‌توان در نقاط ورودی به گردهمایی‌های بزرگ استفاده کرد؛ زیرا امکان غربالگری سریع جمعیت را فراهم می‌کند.»

این محققان خاطرنشان کردند کووید به دلیل اثر بر مجرای تنفسی فوقانی و تارهای صوتی، صدای فرد را تغییر می‌دهد.

در این مطالعه جدید، آنان امکان استفاده از هوش مصنوعی برای تحلیل صدای افراد و ردیابی این بیماری را بررسی کردند.

محققان پایگاه داده‌ای حاوی ۸۹۳ نمونه صدا از چهار هزار و۳۵۲ فرد سالم و غیرسالم را ارزیابی کردند که جواب آزمایش کووید ۳۰۸ نفر از آنان مثبت شده بود.

هی سیری! من کرونا گرفتم؟

برنامکی که می‌تواند کووید-۱۹ را از روی تغییرات صدایتان ردیابی کند

این برنامک روی موبایل کاربران نصب شد و شرکت‌کنندگان اطلاعات اساسی مربوط به جمعیت‌شناسی، سابقه پزشکی و وضعیت سیگار کشیدن خود را در آن ثبت کردند.

سپس از آن‌ها خواستند سه بار سرفه کنند، سه تا پنج بار از دهان نفس عمیق بکشند و جمله کوتاهی را از روی نمایشگر سه بار بخوانند تا برخی از صداهای تنفسی‌ آنان ضبط شود.

محققان همچنین از روشی به نام تحلیل طیف- مل (Mel) برای تحلیل صدا استفاده کردند که شاخصه‌های مختلف صدا مثل بلندی، توان و تغییرات زمانی را شناسایی می‌کند تا ویژگی‌های بسیار زیاد صدای شرکت‌کنندگان را تفکیک کند.

این محققان مدل‌های هوش‌مصنوعی مختلفی ساختند و ارزیابی کردند که کدام یک در طبقه‌بندی موارد کووید بهتر عمل می‌کند.

به گفته آن‌ها، مدلی به نام حافظه کوتاه‌مدت طولانی (ال‌اس‌تی‌ام) با دقت کلی ۸۹ درصد از بقیه خیلی بهتر بود.

الجباوی می‌گوید: «حساسیت آزمون جریان جانبی تنها ۵۹ درصد ولی شاخص ویژگی بالاتر آن ۹۹.۵ درصد است. این نکته مهمی است؛ زیرا نشان می‌دهد که آزمون جریان جانبی بیشتر از آزمون ما، افراد مبتلا را به‌اشتباه در طبقه افرادی قرار می‌دهد که نتیجه آزمایش کووید-۱۹ آن‌ها منفی است.»

او افزود: «به عبارت دیگر، با مدل ال‌اس‌تی‌ام، ما می‌توانیم از ۱۰۰ مورد، ۱۱ مورد را که به انتقال بیماری ادامه می‌دهند، از دست بدهیم؛ اما در آزمون جریان جانبی از هر ۱۰۰ مبتلا، ۴۴ نفر تشخیص داده نمی‌شوند.»

البته این محققان گوشزد کردند که نتایجشان باید با حضور شمار زیادی از شرکت‌کنندگان اعتبارآزمایی شود.

به گفته آن‌ها یکی از محدودیت‌های این تحقیق این است که در حال حاضر فقط بیمارانی که خیلی با این برنامک کار می‌کنند (هر روز یا هر هفته) می‌توانند مقدار داده لازم برای مدل‌سازی هوش مصنوعی را فراهم کنند.

جیمز داد، سرپرست پروژه از دانشگاه بریستول بریتانیا، می‌گوید: «برای آنکه بتوان میزان دقت قابل‌قبول و چگونگی کارکرد سامانه هشدار وخامت حال را در عمل تعیین کرد، باید مطالعات بیشتری با شرکت بیماران انجام داد. ظهور فناوری‌های حسگری ممکن است پایشگری را تقویت کند و پیش‌بینی‌کنندگی مدل‌ها را بهبود دهد.»