Медицинская карта
Плохой врач лечит болезнь, хороший - причину болезни.
  • гепатит
  • Недели беременности

    Беременность по неделям

  • Сколько живут с диагнозом рак
  • Как рыбий жир может уменьшить воспаление

Правильная классификация кашля с помощью машинного обучения

2022-02-17 15:24:41

Исследователи из Сингапурского университета технологий и дизайна (SUTD) показали, что модели глубокого обучения могут точно различать здоровых и больных детей, используя только звуки их кашля. Эти результаты, опубликованные в журнале Sensors, могут открыть двери для более эффективного скрининга респираторных заболеваний у детей и снять огромное бремя с пациентов, родителей и врачей.


У детей кашель может быть признаком нескольких респираторных заболеваний, включая астму, риносинусит и инфекции дыхательных путей. Повсеместное распространение кашля как симптома означает, что врачам часто приходится проводить дополнительные анализы и процедуры для постановки точного диагноза.


«Эти тесты требуют посещения больницы, небезопасны для ребенка и требуют ресурсов здравоохранения», — сказал доцент Чен Джер-Минг из SUTD, который руководил исследованием. «Более того, такие визиты имеют другие негативные социальные или экономические последствия для ребенка и его или ее семьи, такие как отсутствие на работе и необходимость специальных мероприятий по уходу за ребенком».


Необходимость облегчить это бремя для пациентов, а также для всей системы здравоохранения привела к растущему интересу к использованию мельчайших различий в звуках кашля, чтобы отличить одно респираторное заболевание от другого. Тем не менее, большинство исследований опирались на звук кашля, тщательно записанный в студии звукозаписи, что делает его непригодным для реальных приложений, где фоновый шум и низкокачественное оборудование могут поставить под угрозу качество записанного кашля.


Чтобы решить эту проблему, ассистент профессор Чен и соавтор доктор Хи Хван Инг из KK Women's and Children's Hospital и Duke-NUS Medical School использовали записи кашля, собранные с помощью смартфонов в реальных условиях больницы, чтобы отразить истинные «экологические» условия. Затем, чтобы помочь им точно классифицировать записи кашля как больные или здоровые, команда обратилась к определенному типу модели глубокой нейронной сети , называемой двунаправленной долговременной кратковременной памятью (BiLSTM).


По сравнению с другими искусственными нейронными сетями BiLSTM состоят из отдельных блоков, которые могут запоминать значения в течение произвольного промежутка времени. Такой механизм памяти, как объяснил доцент Чен, делает BiLSTM особенно подходящими для обработки последовательных данных, таких как аудио.


Для обучения и тестирования своей модели команда использовала записи кашля 89 детей с астмой, 160 детей с инфекцией нижних дыхательных путей и 78 детей с инфекцией верхних дыхательных путей. Для сравнения, они также включали звуки кашля от 89 здоровых детей.


Команда обнаружила, что BiLSTM может точно классифицировать отдельные звуки кашля как здоровые или больные в 84,5% случаев. При рассмотрении всех аудиосэмплов пациента прогнозирующая модель имела рейтинг точности 91,2 процента. Это означает, что из 10 пациентов, предоставивших свои записи кашля, BiLSTM сможет правильно идентифицировать девять здоровых или больных.


Однако при попытке провести различие между различными патологическими кашлями модель оказалась менее точной. Например, модель ошибочно связывала почти три четверти случаев кашля с астмой с инфекциями дыхательных путей. В свою очередь, более 60% детей с астмой ошибочно диагностировали инфекцию нижних дыхательных путей.


«Анализ звуковых характеристик нездорового и здорового кашля, собранных у одного и того же ребенка, показал тот факт, что нездоровый кашель, независимо от основных условий, гораздо больше похож на другой нездоровый кашель», — отметил доцент Чен. Такое наблюдение согласуется с анекдотичными записями о том, что даже сами врачи затрудняются распознать заболевания только по звукам кашля.

Оставьте комментарии и отзывы!

Используйте нормальные имена. Ваш комментарий будет опубликован после проверки.

(обязательно)