[논문 리뷰] Cough Against COVID: Evidence of COVID-19 Signature in Cough Sounds

Piyush Bagad, Aman Dalmia외 7명|arXiv (Cornell University)|2020. 09. 17.

Music and Audio Processing참고 문헌 30인용 수 96

한 줄 요약

저자들은 의뢰된 기침 소리의 AI 분석이 COVID-19를 AUC 0.72로 탐지할 수 있으며, 질병 유병률이 5%일 때 데이터셋 3,621명 RT-PCR 결과를 가진 데이터로 테스트 능력을 43% 증가시킬 수 있음을 보인다.

ABSTRACT

Testing capacity for COVID-19 remains a challenge globally due to the lack of adequate supplies, trained personnel, and sample-processing equipment. These problems are even more acute in rural and underdeveloped regions. We demonstrate that solicited-cough sounds collected over a phone, when analysed by our AI model, have statistically significant signal indicative of COVID-19 status (AUC 0.72, t-test,p <0.01,95% CI 0.61-0.83). This holds true for asymptomatic patients as well. Towards this, we collect the largest known(to date) dataset of microbiologically confirmed COVID-19 cough sounds from 3,621 individuals. When used in a triaging step within an overall testing protocol, by enabling risk-stratification of individuals before confirmatory tests, our tool can increase the testing capacity of a healthcare system by 43% at disease prevalence of 5%, without additional supplies, trained personnel, or physical infrastructure

연구 동기 및 목표

• 자원이 제한된 환경에서 COVID-19 테스트 능력을 보강하기 위한 확장 가능한 비침습적 선별을 동기 부여한다.
• RT-PCR 결과와 연결된 대규모 미생물 확인 기침 데이터셋을 수집·정리한다.
• AI 모델을 사용하여 의뢰된 기침 소리에서 통계적으로 유의한 COVID-19 신호를 입증한다.

제안 방법

• End-to-end CNN 모델 (ResNet-18) 은 2초 기침 구간에서 얻은 로그-멜 스펙트로그램을 처리한다.
• 데이터 증강은 외부 노이즈와 시간-주파수 마스킹으로 포함된다.
• 가중치를 초기화하기 위한 오픈 소스 기침 데이터셋에서의 프리트레이닝; RT-PCR 라벨 노이즈를 다루기 위한 라벨 스무딩.
• 추론은 세그먼트 예측을 중앙값으로 집계하며, 각 개인에 대해 세 기침 샘플의 최대치를 사용한다.
• 삼중 계층화된 교차 검증 5-fold를 사용하고 삼진에 대한 민감도 중심의 평가를 강조한다.

실험 결과

연구 질문

• RQ1 의료 미생물학적으로 확인된 데이터에서 AI를 사용해 의뢰된 기침 소리로 COVID-19 상태를 탐지할 수 있는가?
• RQ2 무증상의 개인의 기침 소리에서 COVID-19 시그니처가 검출 가능한가?
• RQ3 제안된 기침 기반 선별이 서로 다른 질병 유병률에서 테스트 능력에 어떤 영향을 미치는가?
• RQ4 사전학습과 라벨 스무딩이 모델 성능에 어떤 기여를 하는가?
• RQ5 세그먼트 길이와 앙상블이 분류 성능에 어떤 영향을 주는가?

주요 결과

• COVID-19 시그니처는 기침 소리에 통계적으로 유의미하며(p<0.01; CI 95% 0.61–0.83) AUC 0.72이다.
• 무증상 인원에서도 모델 성능이 무작위 수준을 상회하며 신호가 있음을 시사한다.
• 5% 유병률에서의 선별 구성은 유효 테스트 능력을 43% 증가시킬 수 있다.
• 프리트레이닝은 AUC를 크게 향상시킨다(약 17% 이득).
• 라벨 스무딩은 AUC와 민감도 90%에서 특이도를 개선하고 모델 보정을 향상시킨다.
• 2초 오디오 구간이 1초 구간보다 우수하며, 깊은 모델과 얕은 모델의 앙상블이 최상의 성능을 yield한다.