[논문 리뷰] Hi Sigma, do I have the Coronavirus?: Call for a New Artificial Intelligence Approach to Support Health Care Professionals Dealing With The COVID-19 Pandemic

Brian Subirana, Ferran Hueto외 11명|arXiv (Cornell University)|2020. 04. 10.

COVID-19 diagnosis using AI인용 수 63

한 줄 요약

이 논문은 기침 음성 전이 학습을 사용한 공개적 집단 AI 접근 방식을 제안하고 COVID-19 진단을 제시하며, 다수의 현장에서의 검증 계획과 종단적 testing 및 ICU 우선순위 도구를 개요로 제시한다.

ABSTRACT

Just like your phone can detect what song is playing in crowded spaces, we show that Artificial Intelligence transfer learning algorithms trained on cough phone recordings results in diagnostic tests for COVID-19. To gain adoption by the health care community, we plan to validate our results in a clinical trial and three other venues in Mexico, Spain and the USA . However, if we had data from other on-going clinical trials and volunteers, we may do much more. For example, for confirmed stay-at-home COVID-19 patients, a longitudinal audio test could be developed to determine contact-with-hospital recommendations, and for the most critical COVID-19 patients a success ratio forecast test, including patient clinical data, to prioritize ICU allocation. As a challenge to the engineering community and in the context of our clinical trial, the authors suggest distributing cough recordings daily, hoping other trials and crowdsourcing users will contribute more data. Previous approaches to complex AI tasks have either used a static dataset or were private efforts led by large corporations. All existing COVID-19 trials published also follow this paradigm. Instead, we suggest a novel open collective approach to large-scale real-time health care AI. We will be posting updates at https://opensigma.mit.edu. Our personal view is that our approach is the right one for large scale pandemics, and therefore is here to stay - will you join?

연구 동기 및 목표

• COVID-19 팬데믹 동안 의료 전문인을 돕기 위한 새로운 AI 패러다임의 개발을 촉진한다.
• 기침 음성에 대한 전이 학습을 COVID-19의 진단 신호로 제안한다.
• 검증 가속화를 위해 개방적이고 실시간 데이터 공유와 크라우드소싱 데이터 수집을 옹호한다.
• 멕시코, 스페인, 미국에서의 예정된 임상시험 및 다기관 검증을 설명한다.

제안 방법

• 기침 녹음으로 학습된 AI 전이 학습을 사용하여 COVID-19에 대한 진단 테스트를 만든다.
• 임상시험과 세 곳의 국제 장소에서의 검증을 계획한다.
• 가정 치료가 확인된 환자에 대한 종단적 음성 테스트를 제안하여 병원 접촉 지침을 안내한다.
• 임상 데이터를 포함한 ICU 우선순위 지정을 위한 환자 중심 예측 도구를 제안한다.
• 대규모 실시간 의료 AI를 위한 개방적 집단적 접근을 옹호한다.

실험 결과

연구 질문

• RQ1 모바일 장치에서 얻은 기침 음성이 전이 학습을 사용하여 COVID-19를 정확히 진단하는 데 사용할 수 있는가?
• RQ2 여러 국제 현장에서 AI 기반 기침 진단의 타당성 및 이점은 무엇인가?
• RQ3 종단적 오디오 데이터가 COVID-19 환자의 치료 결정 및 병원 자원 배분에 어떻게 정보를 제공할 수 있는가?
• RQ4 전염병 기간 동안 신속한 AI 개발에 대한 개방적이고 크라우드소싱된 데이터 모델의 잠재적 영향은 무엇인가?

주요 결과

• 저자들의 주장에 따르면 기침 기록에 대한 AI 전이 학습은 COVID-19 진단 테스트를 산출할 수 있다.
• 이 접근법을 검증하기 위한 임상시험 및 국제 배치 계획이 제안된다.
• 병원 접촉 결정을 안내하기 위한 재택 환자용 종단적 음성 테스트 개념이 설명된다.
• 임상 데이터를 결합했을 때 중증 환자의 ICU 배정을 우선순위화하기 위한 성공 비율 예측 테스트가 제안된다.
• 저자들은 대규모 실시간 의료 AI 및 데이터 공유를 위한 개방적 집단적 접근을 옹호한다.