[論文レビュー] Pay Attention to the cough: Early Diagnosis of COVID-19 using Interpretable Symptoms Embeddings with Cough Sound Signal Processing

Ankit Pal, Malaikannan Sankarasubbu|arXiv (Cornell University)|Oct 5, 2020

Respiratory and Cough-Related Research被引用数 24

ひとこと要約

本論文は、咳音信号処理と臨床症状および人口統計的メタデータを統合することで、早期で低コストかつ高精度なCOVID-19の診断を可能にする、解釈可能なAIフレームワークを提案する。TabNetを基盤とするアーキテクチャに、症状埋め込みと高度な音声特徴（例：フォルマント、尖度、エントロピー）の注意メカニズムを組み合わせることで、150名の患者から得た328件の咳音データセットにおいて、COVID-19咳と非COVID-19咳（喘息、気管支炎、健康）を区別する際、96.83%の精度と95.04%の特異度を達成した。

ABSTRACT

COVID-19 (coronavirus disease 2019) pandemic caused by SARS-CoV-2 has led to a treacherous and devastating catastrophe for humanity. At the time of writing, no specific antivirus drugs or vaccines are recommended to control infection transmission and spread. The current diagnosis of COVID-19 is done by Reverse-Transcription Polymer Chain Reaction (RT-PCR) testing. However, this method is expensive, time-consuming, and not easily available in straitened regions. An interpretable and COVID-19 diagnosis AI framework is devised and developed based on the cough sounds features and symptoms metadata to overcome these limitations. The proposed framework's performance was evaluated using a medical dataset containing Symptoms and Demographic data of 30000 audio segments, 328 cough sounds from 150 patients with four cough classes ( COVID-19, Asthma, Bronchitis, and Healthy). Experiments' results show that the model captures the better and robust feature embedding to distinguish between COVID-19 patient coughs and several types of non-COVID-19 coughs with higher specificity and accuracy of 95.04 $\\pm$ 0.18% and 96.83$\\pm$ 0.18% respectively, all the while maintaining interpretability.

研究の動機と目的

• 高価で時間がかかり、リソースが限られた地域では利用が難しいRT-PCR検査の限界を解消すること。
• 音声特徴にのみ依存し、臨床的症状および人口統計的データを無視する既存の咳ベースのAIモデルの欠点を克服すること。
• 多様なデータ（咳音、症状、人口統計）を統合した解釈可能な機械学習フレームワークを構築し、診断性能を向上させること。
• スマートフォンで録音可能な音声収集とAI推論を活用し、早期でスケーラブルかつ非侵襲的なCOVID-19スクリーニングを可能にすること。
• 注意メカニズムと特徴量重要度分析によりモデルの解釈性を確保し、臨床現場での信頼性と採用を支援すること。

提案手法

• フレームワークは、表形式の症状および人口統計データに適したTabNetと、咳信号からのCNNベースの音声特徴抽出を組み合わせたハイブリッドディープラーニングアーキテクチャを採用する。
• 咳音信号はサブセグメントに分割され、ゼロクロスレート、エネルギー、スペクトルセンタロイド、スペクトルフラックス、スペクトルロールオフ、スペクトルフラットネス、歪度、尖度、エントロピー、フォルマント周波数（F1–F4）の10種類の手作業で設計された音声特徴を用いて分析される。
• TabNet部では、ゲート付き線形ユニット（GLU）にゴーストバッチ正規化を適用し、スパースマックス活性化された注意型トランスフォーマーを用いて、症状および人口統計変数の間で動的でスパースな特徴選択を実行する。
• 音声および表形式表現はラテント相互作用により統合され、各予測ステップで最も関連性の高い臨床的および音声的特徴に注目できる。
• 特徴量重要度は、TabNetの注意型トランスフォーマーの注意重みから導出され、予測に最も寄与した症状や音声特徴が明確に特定される。
• モデルはエンドツーエンドで訓練され、ラベルスムージングと早期停止を用いた交差エントロピー損失、AdamW最適化とコサインスケジューリングを用いて最適化される。

実験結果

リサーチクエスチョン

• RQ1 咳音特徴と臨床的症状メタデータを統合したマルチモーダルディープラーニングモデルは、音声のみのモデルと比較して、早期COVID-19診断の精度を向上させることができるか？
• RQ2 患者の人口統計および症状データ（例：発熱、動悸）を組み込むことで、COVID-19咳と非COVID-19咳を区別するモデルの能力はどの程度向上するか？
• RQ3 注意メカニズムは、咳の分類に最も関連する臨床的および音声的特徴を特定するのにどの程度有効であり、モデルの解釈性を向上させるか？
• RQ4 本フレームワークは、多様な咳の種類（例：喘息、気管支炎、健康）においても高い性能を維持し、強靭性と一般化能力を保っているか？
• RQ5 スマートフォンで録音した咳音と基本的な症状入力のみを用いて、低リソース環境でも高い特異度と精度を達成できるか？

主な発見

• モデルは、ホールドアウトテストセットにおいて、COVID-19咳と非COVID-19咳（喘息、気管支炎、健康）を区別する際、96.83% ± 0.18%のテスト精度と95.04% ± 0.18%の特異度を達成した。
• 臨床的症状および人口統計的データの組み込みにより、音声のみのベースラインと比較して分類性能が顕著に向上したことが確認され、音声特徴を超えた疾患特異的パターンをモデルが捉えられることを裏付けた。
• TabNetの注意メカニズムにより、発熱、動悸、咳の持続期間といった重要な症状が予測に最も寄与する主要要因として明確に特定された。
• モデルは多様な咳の種類においても強靭性を示し、気管支炎と喘息のような類似した呼吸器疾患を区別する能力においても高い性能を発揮した。
• 手作業で設計された音声特徴（例：フォルマント、尖度、エントロピー）の使用により、病理的咳と健康な咳の間の微細な音声的差異への感受性が向上した。
• 注意ヒートマップによる解釈性の妥当性が確認され、モデルが臨床ガイドラインに一致する臨床的に関連する特徴（例：発熱、呼吸困難）に注目していることが明らかになった。