I ricercatori di Cambridge e del MIT (Massachusetts Institute of Technology) hanno sviluppato modelli di classificazione basati su Machine Learning in grado di diagnosticare infezione da SARS-CoV-2 attraverso la registrazione di un colpo di tosse dell’utente tramite il microfono dello smartphone/computer. I ricercatori del MIT stanno incorporando tali modelli di A.I. all’interno di un’app che, se approvata dall’ente di regolamentazione americano, permetterebbe lo screening su una popolazione molto piú ampia di quella dei test attualmente utilizzati, ad un prezzo contenuto e in tempi rapidissimi.

Cosa fa l’Intelligenza Artificiale ?

L’Artificial Intelligence é ormai da anni uno dei settori di punta della ricerca biomedica. Viene ampiamente impiegata a fini di screening per il rilevamento di svariate patologie e per rendere le terapie ad personam ed é riuscita in vari casi a superare le performance diagnostiche di medici esperti, grazie alla possibilitá, impensabile per l’uomo, di poter gestire contemporaneamente milioni di dati e individuare in questi delle informazioni rilevanti.
Oggi l’A.I. torna al servizio della sanitá per la diagnosi dell’infezione da SARS-CoV-2 e i risultati preliminari sono giá sorprendenti: i modelli generati riuscirebbero a classificare pazienti malati con un’accuratezza (Area Under the Curve, AUC) del 98.5%. Semplicitá di somminsitrazione del test (tramite un’app dedicata), rapiditá e scalabilitá, fanno di questi modelli un potenziale game-changer nella lotta al Covid.

Chi? E come?

Le richerche sono state svolte dall’Universitá di Cambridge e dal MIT (Massachusetts Institute of Technology) e hanno previsto la raccolta di record audio di colpi di tosse di persone infette e persone sane, attraverso il microfono di smartphone e computer degli utenti. A questo scopo, i ricercatori dell’Universitá di Cambridge hanno realizzato un’app che ha permesso la raccolta di oltre 30.000 registrazioni audio: COVID-19 Sounds App, app disponibile sia per dispositivi iOS che Android.

I dati raccolti poi sono stati utilizzati per allenare un modello di classificazione basato su Support Vector Machine (ampiamente utilizzato in ambito di Machine Learning) e modelli di Deep Learning precedentemente allenati su altre banche dati.

I modelli di Machine Learning cosí generati, sarebbero in grado di discriminare con precisione un colpo di tosse di una persona malata da quello di una persona sana, grazie all’identificazione di una serie di caratteristiche nel segnale audio che l’orecchio umano non sarebbe in grado di cogliere.

Conslusioni?

I modelli generati dall’Universitá di Cambridge hanno raggiunto in fase di test un’accuratezza dell’80% (AUC, Area Under the Curve), che si tradurrebbe, mediamente, in una diagnosi corretta in 4 casi su 5. Risultati ancora piú sorprendenti sono stati ottenuti durante gli studi preliminari del modello sviluppato dai ricercatori del MIT, che ha prodotto un’accuratezza del 98.5% (meno di 2 misclassificazioni su 100 diagnosi), valore comparabile con le accuratezze dei test di diagnostica correntemente utilizzati per identificare persone infette da SARS-CoV-2.

Altro dato interessante é che il modello ha identificato correttamente il 100% dei pazienti positivi asintomatici, ovvero di quei casi piú difficili la cui identificazione rappresenterebbe, secondo molti, un punto di svolta nella lotta al Covid.

E ora?

I ricercatori del MIT stanno lavorando per incorporare questi modelli in un’app che, una volta approvata dall’FDA (Food and Drug Administration), potrebbe essere impiegata come test di screening utilizzabile quotidianamente e in ogni contesto. La diagnosi rapida e ad alta accuratezza tramite app permetterebbe di aumentare drasticamente il bacino di persone testate, ad un prezzo molto contenuto e con tempistiche ridotte.

Articolo di Marco Zanet


Fonti: 

Ricerca dell’Universitá di Cambridge: https://arxiv.org/pdf/2006.05919.pdf
ricerca del MIT: https://news.mit.edu/2020/covid-19-cough-cellphone-detection-1029

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *