از سرفه گرفته تا گفتار و حتی نفس، صداهایی که بدن ما تولید می کند مملو از اطلاعات مربوط به سلامتی ما است. سرنخ‌های ظریفی که در این صداهای بیوآکوستیک پنهان شده‌اند، این پتانسیل را دارند که انقلابی در نحوه غربالگری، تشخیص، نظارت و مدیریت طیف وسیعی از شرایط سلامتی مانند سل (TB) یا بیماری مزمن انسدادی ریه (COPD) ایجاد کنند. به عنوان محققان در گوگل، ما پتانسیل صدا را به عنوان یک سیگنال سلامت مفید می شناسیم و همچنین میکروفون های گوشی های هوشمند به طور گسترده در دسترس هستند. برای این منظور، ما در حال بررسی راه‌هایی برای استفاده از هوش مصنوعی برای استخراج بینش سلامت از داده‌های صوتی بوده‌ایم.

در اوایل سال جاری، ما نمایش‌های صوتی سلامت یا HeAR را معرفی کردیم، یک مدل پایه زیست آکوستیک که برای کمک به محققان طراحی شده است تا مدل‌هایی بسازند که می‌توانند به صداهای انسان گوش دهند و علائم اولیه بیماری را نشان دهند. تیم تحقیقاتی Google HeAR را بر روی 300 میلیون قطعه داده صوتی که از یک مجموعه داده متنوع و نامشخص تهیه شده بود آموزش داد، و ما مدل سرفه را به ویژه با استفاده از تقریباً 100 میلیون صدای سرفه آموزش دادیم.

HeAR یاد می گیرد که الگوهای صداهای مرتبط با سلامت را تشخیص دهد و پایه ای قدرتمند برای تجزیه و تحلیل صوتی پزشکی ایجاد کند. ما دریافتیم که به طور متوسط، HeAR در طیف وسیعی از وظایف و برای تعمیم میکروفون‌ها، بالاتر از مدل‌های دیگر رتبه‌بندی می‌شود و توانایی برتر خود را در ثبت الگوهای معنادار در داده‌های صوتی مرتبط با سلامت نشان می‌دهد. مدل‌هایی که با استفاده از HeAR آموزش دیده‌اند، همچنین با داده‌های آموزشی کمتر، به عملکرد بالایی دست یافته‌اند، که عاملی حیاتی در دنیای اغلب داده‌های کمیاب تحقیقات بهداشتی است.

HeAR اکنون در دسترس محققان است تا به تسریع توسعه مدل‌های بیوآکوستیک سفارشی با داده‌ها، تنظیمات و محاسبات کمتر کمک کند. هدف ما این است که بتوانیم تحقیقات بیشتری را در مورد مدل‌ها برای شرایط و جمعیت‌های خاص انجام دهیم، حتی اگر داده‌ها کمیاب باشند یا اگر موانع هزینه یا محاسباتی وجود داشته باشد.

Salcit Technologies، یک شرکت مراقبت های بهداشتی تنفسی مستقر در هند، محصولی به نام Swaasa® ساخته است که از هوش مصنوعی برای تجزیه و تحلیل صداهای سرفه و ارزیابی سلامت ریه استفاده می کند. اکنون، این شرکت در حال بررسی این موضوع است که چگونه HeAR می تواند به گسترش قابلیت های مدل های هوش مصنوعی زیست آکوستیک خود کمک کند. برای شروع، Swaasa® از HeAR برای کمک به تحقیق و تقویت تشخیص زودهنگام سل بر اساس صداهای سرفه استفاده می کند.

سل یک بیماری قابل درمان است، اما هر ساله میلیون‌ها مورد تشخیص داده نمی‌شوند – اغلب به این دلیل که مردم دسترسی مناسبی به خدمات مراقبت‌های بهداشتی ندارند. بهبود تشخیص برای ریشه‌کن کردن سل بسیار مهم است و هوش مصنوعی می‌تواند نقش مهمی در بهبود تشخیص و کمک به دسترسی بیشتر و مقرون به صرفه‌تر شدن مراقبت برای مردم در سراسر جهان داشته باشد. Swaasa® سابقه استفاده از یادگیری ماشینی برای کمک به تشخیص زودهنگام بیماری ها، پر کردن شکاف با دسترسی، مقرون به صرفه بودن و مقیاس پذیری را با ارائه ارزیابی سلامت تنفسی مستقل از مکان و بدون تجهیزات دارد. با HeAR، آنها فرصتی برای گسترش غربالگری سل در سراسر هند با استفاده از این تحقیق می بینند.

هر مورد از دست رفته سل یک تراژدی است. Sujay Kakarmath، مدیر محصول در Google Research که روی HeAR کار می کند، می گوید: هر تشخیص دیرهنگام، یک دلشکستگی. نشانگرهای زیستی آکوستیک پتانسیل بازنویسی این روایت را دارند. من عمیقا از نقشی که HeAR می تواند در این سفر متحول کننده ایفا کند سپاسگزارم.”

ما همچنین شاهد حمایت از این رویکرد از سوی سازمان‌هایی از جمله The StopTB Partnership، سازمانی به میزبانی سازمان ملل هستیم که کارشناسان سل و جوامع آسیب‌دیده را با هدف پایان دادن به سل تا سال 2030 گرد هم می‌آورد.

ژی ژن کین، متخصص سلامت دیجیتال با Stop TB گفت: «راه‌حل‌هایی مانند HeAR آنالیز آکوستیک مبتنی بر هوش مصنوعی را قادر می‌سازد تا زمینه جدیدی را در غربالگری و تشخیص سل ایجاد کند و ابزار بالقوه کم تأثیر و در دسترس را برای کسانی که بیشتر به آن نیاز دارند، ارائه دهد. مشارکت.

HeAR یک گام مهم رو به جلو در تحقیقات سلامت آکوستیک است. ما امیدواریم که توسعه ابزارهای تشخیصی و راه‌حل‌های نظارتی آینده در زمینه‌های بیماری سل، قفسه سینه، ریه و سایر بیماری‌ها را پیش ببریم و از طریق تحقیقات خود به بهبود نتایج سلامتی برای جوامع در سراسر جهان کمک کنیم. اگر محققی هستید که علاقه مند به کاوش HeAR هستید، می توانید اطلاعات بیشتری کسب کنید و درخواست دسترسی به HeAR API کنید.