[논문 리뷰] A large-scale and PCR-referenced vocal audio dataset for COVID-19

Jobie Budd, Kieran Baker외 24명|arXiv (Cornell University)|2022. 12. 15.

Phonocardiography and Auscultation Techniques인용 수 4

한 줄 요약

이 논문은 영국에서 유행하던 SARS-CoV-2 변이 기간 동안 70,794명의 참가자로부터 확보한 PCR 검사 결과가 확인된 음성 기록(기침, 탄식, 말하기)을 포함한 대규모 코로나19 음성 데이터셋인 UK 코로나19 음성 오디오 데이터셋을 소개한다. 이 데이터셋은 SARS-CoV-2 검사 결과 및 자가 보고한 증상과 연결되어 있어, 음성 분석을 통한 기계 학습 모델을 활용한 감염 상태 및 호흡기 질환 탐지에 기여한다. 이는 현재까지 가장 큰 규모의 유사 데이터셋으로, 양성 사례가 24,155건이며, 인플루엔자 검사 데이터가 27.2% 포함되어 있다.

ABSTRACT

The UK COVID-19 Vocal Audio Dataset is designed for the training and evaluation of machine learning models that classify SARS-CoV-2 infection status or associated respiratory symptoms using vocal audio. The UK Health Security Agency recruited voluntary participants through the national Test and Trace programme and the REACT-1 survey in England from March 2021 to March 2022, during dominant transmission of the Alpha and Delta SARS-CoV-2 variants and some Omicron variant sublineages. Audio recordings of volitional coughs, exhalations, and speech were collected in the 'Speak up to help beat coronavirus' digital survey alongside demographic, self-reported symptom and respiratory condition data, and linked to SARS-CoV-2 test results. The UK COVID-19 Vocal Audio Dataset represents the largest collection of SARS-CoV-2 PCR-referenced audio recordings to date. PCR results were linked to 70,794 of 72,999 participants and 24,155 of 25,776 positive cases. Respiratory symptoms were reported by 45.62% of participants. This dataset has additional potential uses for bioacoustics research, with 11.30% participants reporting asthma, and 27.20% with linked influenza PCR test results.

연구 동기 및 목표

• 기계 학습 모델이 음성 샘플을 통해 SARS-CoV-2 감염 여부를 탐지할 수 있도록, 임상 기반의 대규모 음성 오디오 데이터셋을 구축하는 것.
• 기계 학습 모델의 신뢰성 있는 훈련 및 평가를 위해 음성 기록을 골드 스탠다드 SARS-CoV-2 PCR 검사 결과와 연결하는 것.
• 자기 보고한 증상, 호흡기 질환 및 인플루엔자 검사 결과를 포함하여, 더 넓은 생음향학 및 다중 질환 연구를 가능하게 하는 것.
• 음성 기반 진단을 활용한 비침습적이고 확장 가능한 호흡기 감염 스크리닝 도구 개발을 지원하는 것.
• 실제 인구의 다양성을 반영한 공개 가능하고 윤리적으로 확보된 데이터셋을 제공하는 것. 이는 주로 SARS-CoV-2 주요 변이가 유행하던 기간 동안의 데이터를 포함한다.

제안 방법

• 참가자들은 2021년 3월부터 2022년 3월까지 영국의 테스트 및 추적 프로그램과 REACT-1 설문 조사에 의해 모집되었다.
• 음성 샘플은 디지털 설문 조사 방식을 통해 확보되었으며, 자발적인 기침, 탄식, 지속적인 말하기가 포함되었다.
• 각 참가자의 음성 기록은 SARS-CoV-2 PCR 검사 결과, 자기 보고한 증상, 기저 호흡기 질환과 연결되었다.
• PCR 검사 결과가 확인된 참가자가 총 70,794명이며, 이 중 24,155명이 SARS-CoV-2 양성으로 확인되었으며, 27.2%는 동시에 인플루엔자 PCR 검사 결과가 포함되어 있었다.
• 다양한 모odal 분석을 지원하기 위해 인구 통계학적 자료, 증상 및 건강력 정보도 함께 확보되었다.
• 윤리적 감독 하에 데이터셋이 정제되고 공개되어 참가자의 개인정보 보호와 데이터 무결성이 확보되었다.

실험 결과

연구 질문

• RQ1 기계 학습을 활용할 때, 음성 특징만으로 SARS-CoV-2 양성 환자와 음성 환자를 신뢰성 있게 구분할 수 있는가?
• RQ2 음성 패턴은 자기 보고한 호흡기 증상 또는 천식과 같은 기저 질환과 어느 정도 관련이 있는가?
• RQ3 인플루엔자 검사 결과의 포함이 다중 병원체 진단 연구에 있어 데이터셋의 유용성을 어떻게 향상시키는가?
• RQ4 이 데이터셋은 지역 사회 환경에서 호흡기 감염을 위한 확장 가능한 비침습적 스크리닝 도구 개발을 지원할 수 있는가?
• RQ5 변이 역학(알파, 디타, 옹미크론)이 음성 생물지표에서 탐지 가능한 변화에 미치는 영향은 어떠한가?

주요 결과

• 이 데이터셋은 현재까지 가장 큰 규모의 PCR 검사 결과가 확인된 SARS-CoV-2 감염 상태 기록을 포함하며, 참가자 수는 총 70,794명이다.
• 이 중 24,155명이 SARS-CoV-2 양성으로 확인되어 진단 모델의 훈련 및 평가에 충분한 데이터를 제공한다.
• 참가자의 45.62%가 호흡기 증상을 보고하여 음성 특징과 증상 간의 강한 연관성이 있음을 시사한다.
• 참가자의 11.30%가 천식을 보고하여 만성 호흡기 질환의 음성 생물지표 연구에 기여할 수 있다.
• 참가자의 27.20%가 연결된 인플루엔자 PCR 검사 결과를 보유하고 있어 다병원체 진단 연구를 지원한다.
• 이 데이터셋은 알파, 디타 및 초기 옹미크론 변이 기간을 포함하여 주요 SARS-CoV-2 계열의 음성 변화를 포괄한다.