[論文レビュー] End-2-End COVID-19 Detection from Breath & Cough Audio

Harry Coppock, Alexander Gaskell+4 more|arXiv (Cornell University)|Jan 6, 2021

COVID-19 diagnosis using AI参考文献 21被引用数 13

ひとこと要約

本稿では、COVID-19を同定するため、呼吸音と咳音の音声を統合的に分析するエンドツーエンドのディーブラーニングモデルCIdeRを提案する。クラウドソーシングされたデータセット上でAUC-ROCが0.846に達した。本手法はスペクトログラムの連結と音声セグメント間の多数決投票を用いた独自のResNetアーキテクチャを採用し、スケーラブルで低コストな集団スクリーニングを実現する。

ABSTRACT

Our main contributions are as follows: (I) We demonstrate the first attempt to diagnose COVID-19 using end-to-end deep learning from a crowd-sourced dataset of audio samples, achieving ROC-AUC of 0.846; (II) Our model, the COVID-19 Identification ResNet, (CIdeR), has potential for rapid scalability, minimal cost and improving performance as more data becomes available. This could enable regular COVID-19 testing at apopulation scale; (III) We introduce a novel modelling strategy using a custom deep neural network to diagnose COVID-19 from a joint breath and cough representation; (IV) We release our four stratified folds for cross parameter optimisation and validation on a standard public corpus and details on the models for reproducibility and future reference.

研究の動機と目的

• 集団スクリーニングに適したスケーラブルで低コストなデジタルヘルスソリューションの開発。
• 呼吸音と咳音の音声信号を統合的にモデリングすることで、個別に分析する場合に比べて診断性能が向上するかの調査。
• 小規模なクラウドソーシング音声データセット上でエンドツーエンドのディーブラーニングがCOVID-19検出に有効であるかの妥当性の検証。
• 偏りのある交差検証のfoldとモデル詳細の公開により、再現可能性の確保。

提案手法

• モデルは、librosaを用いてFFTサイズ512–2048、サンプリングレート24–48 kHzのパラメータで、生の音声波形からログスペクトログラムを計算する。
• 呼吸音と咳音のスペクトログラムは、深さ方向に連結され、形状{F, W, 2}の3次元テンソルとして統合表現を形成する。
• 残差ブロックとスキップ接続を備えた独自のResNetベースのアーキテクチャが、スペクトログラム入力から階層的特徴を直接学習する。
• 最終層によりシグモイド確率スコアを出力し、クラス不均衡を補うために重み付き二値交差エントロピーで学習する。
• 長時間の録音から均等に音声セグメントをサンプリングし、推論時にはチャンク間の多数決投票を用いて耐性を向上させる。
• テストデータの漏洩を防ぐために、固定されたホールドアウトテストセットを用いた3-foldのクロス最適化戦略を採用する。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドのディーブラーニングは、統合された呼吸音と咳音の音声信号からCOVID-19を効果的に検出できるか。
• RQ2 呼吸音と咳音を統合的にモデリングすることで、個別に分析する場合に比べて性能が向上するか。
• RQ3 現在の小規模なデータセットサイズを考慮すると、データ量の増加に伴いモデル性能はどのように変化するか。
• RQ4 音声バイオマーカーのみを用いて、無症状例にも一般化できるか。

主な発見

• CIdeRは、COVID陽性者と陰性者を区別する主なタスクにおいて、AUC-ROCが0.846に達し、ベースラインを有意に上回った（p < 0.01）。
• 主なタスクにおける未加重平均再現率（UAR）は0.765に達し、陽性・陰性両クラスで優れた性能を示した。
• 咳を伴うCOVID陽性者と喘息を有する咳を伴う者を区別するタスクでは、AUC-ROCが0.909に達し、困難なサブグループにおいても高い特異度を示した。
• タスク2（健康な咳者とCOVID陽性者の咳を区別）では、サンプル数が少なく、音声パターンが重複するため、ベースラインに劣った。
• 2標本t検定（α = 0.01）を用いた統計的有意性の確認により、タスク1、3、4の結果の堅牢性が裏付けられた。
• 著者らは、4つの分層的交差検証foldとモデルコードを公開し、完全な再現可能性と今後のベンチマークのための基盤を提供した。