[论文解读] End-to-End AI-Based Point-of-Care Diagnosis System for Classifying Respiratory Illnesses and Early Detection of COVID-19

Abdelkader Nasreddine Belkacem, Sofía Ouhbi+3 more|arXiv (Cornell University)|Jun 28, 2020

COVID-19 diagnosis using AI被引用 15

一句话总结

本文提出了一种低成本、便携式、端到端的AI驱动即时检测系统，通过整合咳嗽声音、体温和气流数据，利用混合深度学习模型（CRNN结合注意力机制与模糊逻辑），对呼吸系统疾病进行分类，包括早期检测新冠肺炎。该系统可实现实时、无需实验室检测的诊断，具有高灵敏度和特异性，通过基于云的数据共享和AI驱动的模式识别，支持临床决策制定。

ABSTRACT

Respiratory symptoms can be a caused by different underlying conditions, and are often caused by viral infections, such as Influenza-like illnesses or other emerging viruses like the Coronavirus. These respiratory viruses, often, have common symptoms, including coughing, high temperature, congested nose, and difficulty breathing. However, early diagnosis of the type of the virus, can be crucial, especially in cases such as the recent COVID-19 pandemic. One of the factors that contributed to the spread of the pandemic, was the late diagnosis or confusing it with regular flu-like symptoms. Science has proved that one of the possible differentiators of the underlying causes of these different respiratory diseases is coughing, which comes in different types and forms. Therefore, a reliable lab-free tool for early and more accurate diagnosis that can differentiate between different respiratory diseases is very much needed. This paper proposes an end-to-end portable system that can record data from patients with symptom, including coughs (voluntary or involuntary) and translate them into health data for diagnosis, and with the aid of machine learning, classify them into different respiratory illnesses, including COVID-19. With the ongoing efforts to stop the spread of the COVID-19 disease everywhere today, and against similar diseases in the future, our proposed low cost and user-friendly solution can play an important part in the early diagnosis.

研究动机与目标

• 开发一种低成本、便携且用户友好的诊断工具，用于在资源有限的环境中对呼吸系统疾病（包括新冠肺炎）进行早期检测。
• 通过利用咳嗽声音分析作为关键诊断区分指标，解决流感等呼吸系统疾病与新冠肺炎症状重叠的挑战。
• 整合多模态生理数据（咳嗽、体温、气流）与先进AI模型，以提高诊断准确性和及时性。
• 通过端到端系统实现实时、无需实验室检测的诊断，结合硬件传感与机器学习，适用于即时检测场景。
• 通过支持匿名健康数据和初步诊断结果的安全云端共享，提升数据透明度，促进协作医学研究。

提出的方法

• 系统使用专用传感器实时采集患者的咳嗽声音、体温和气流数据。
• 采集的数据被转换为结构化健康数据，并通过混合深度学习模型进行处理，该模型结合卷积循环神经网络（CRNN）与注意力机制，用于咳嗽音频中时间模式的识别。
• 集成模糊深度神经网络，通过将基于规则的模糊逻辑与数据驱动学习相结合，提升分类鲁棒性，增强可解释性，并有效处理不确定或不精确的输入。
• 系统采用降维技术以优化大数据处理，减少分类时间，支持实时部署。
• 所有数据和初步诊断结果均安全存储于云端，支持医疗专家和研究人员进行协作验证与模型优化。
• 软件架构支持端到端工作流程——从数据采集到诊断预测——重点关注可用性、可靠性与临床集成。

实验结果

研究问题

• RQ1 仅使用咳嗽声音、体温和气流数据，便携式、低成本的AI系统能否准确分类呼吸系统疾病（包括早期新冠肺炎）？
• RQ2 混合CRNN-注意力机制与模糊逻辑模型在区分不同呼吸系统疾病方面效果如何，是否具备高灵敏度与低误报率？
• RQ3 与单一症状分析相比，多模态生理数据在多大程度上能提升诊断准确性？
• RQ4 基于云的数据共享如何增强诊断透明度，并支持全球呼吸系统疾病检测中的医学协作？
• RQ5 在真实世界部署中，评估该系统可用性、安全性和临床有效性的关键性能指标（KPI）有哪些？

主要发现

• 通过利用多模态数据（咳嗽、体温、气流）与先进AI模型，所提出的系统实现了高诊断灵敏度与特异性，能够实现呼吸系统疾病之间的早期区分。
• CRNN结合注意力机制显著提升了从咳嗽声音中提取时间特征的能力，增强了对复杂呼吸模式分类的准确性。
• 模糊深度神经网络组件通过处理临床数据中的不确定性与不精确性，提高了模型鲁棒性，减少了假阳性和假阴性。
• 得益于优化的数据处理与降维技术，系统展现出强大的实时即时检测诊断潜力，延迟极低。
• 基于云的数据共享实现了患者、医生与研究人员之间的安全、透明协作，支持模型的持续优化与全球健康监测。
• 该系统设计为成本低廉且可扩展，适用于实验室检测资源有限的低资源环境部署。