Fugu-MT 論文翻訳(概要): Cough Against COVID: Evidence of COVID-19 Signature in Cough Sounds

論文の概要: Cough Against COVID: Evidence of COVID-19 Signature in Cough Sounds

arxiv url: http://arxiv.org/abs/2009.08790v2
Date: Wed, 23 Sep 2020 06:31:00 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 12:23:42.019137
Title: Cough Against COVID: Evidence of COVID-19 Signature in Cough Sounds
Title（参考訳）: 新型コロナウイルスの音が鳴り響く「カフ」の証拠
Authors: Piyush Bagad, Aman Dalmia, Jigar Doshi, Arsha Nagrani, Parag Bhamare, Amrita Mahale, Saurabh Rane, Neeraj Agarwal, Rahul Panicker
Abstract要約: 新型コロナウイルスの検査能力は、十分な物資、訓練された人員、サンプル処理装置が不足しているため、世界中で問題となっている。我々は、私たちのAIモデルによって分析された携帯電話上で収集されたソリシタンカフの音が、統計的に新型コロナウイルスのステータスを示す重要なシグナルを持っていることを実証した。医療システムの検査能力は, 5%の病状率で43%向上し, 追加供給, 訓練要員, 物理的なインフラを必要とせずに向上できる。
参考スコア（独自算出の注目度）: 13.347620074700952
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
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
Abstract（参考訳）: 新型コロナウイルス(covid-19)の検査能力は、十分な物資や訓練された人員、サンプル処理機器が不足していることから、世界中で課題となっている。これらの問題は、農村部や未開発の地域ではさらに深刻である。我々は、我々のAIモデルによって分析された携帯電話上で収集されたソリシタンカフ音が、統計的に有意な信号を示す(AUC 0.72, t-test, p <0.01,95% CI 0.61-0.83)。これは無症候性患者にも当てはまる。そこで, 微生物学的に確認された3,621人のうち, 最大の(現在までの)データセットを収集した。総合的な検査プロトコルのトリアージステップで使用する場合、確認試験の前に個人をリスク階層化させることで、医療システムの検査能力を5%の病気発生率で43%向上させることができ、追加の供給、訓練された人員、または物理的なインフラを必要としない。

関連論文リスト

A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文参考訳（メタデータ） (2021-11-10T19:39:26Z)
Sounds of COVID-19: exploring realistic performance of audio-based digital testing [17.59710651224251]
本稿では、COVID-19の音声によるデジタル検査の現実的な性能について検討する。われわれは、大規模なクラウドソースによる呼吸器オーディオデータセットをモバイルアプリを通じて収集した。非バイアスモデルでは、呼吸、うずみ、音声信号から抽出した特徴を予測器として取り出し、AUC-ROCは0.71(95% CI: 0.65$-$0.77)となる。
論文参考訳（メタデータ） (2021-06-29T15:50:36Z)
COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文参考訳（メタデータ） (2021-03-18T03:31:33Z)
Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文参考訳（メタデータ） (2020-12-29T01:14:17Z)
Virufy: Global Applicability of Crowdsourced and Clinical Datasets for AI Detection of COVID-19 from Cough [2.047329787828792]
新型コロナウイルス(COVID-19)を検知する現在のアプローチは、必ずしも容易にアクセスできない高価なキットで直接検査する必要がある。本研究は,スマートフォンに記録・取得したクラウドソース音声サンプルをAIベースの手法の開発に活用できることを実証する。本手法は,ラテンアメリカからのクラウドソースオーディオサンプルと南アジアからの臨床サンプルに一般化可能であることを示す。
論文参考訳（メタデータ） (2020-11-26T14:38:19Z)
Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文参考訳（メタデータ） (2020-11-24T17:44:01Z)
Pay Attention to the cough: Early Diagnosis of COVID-19 using Interpretable Symptoms Embeddings with Cough Sound Signal Processing [0.0]
新型コロナウイルス(SARS-CoV-2によるコロナウイルスのパンデミック)は、人類にとって恐ろしく壊滅的な大惨事を引き起こしている。新型コロナウイルスの現在の診断は、RT-PCR(Reverse-Transcription Polymer Chain Reaction)テストによって行われる。音声の特徴と症状メタデータに基づいて、解釈可能で新型コロナウイルスの診断AIフレームワークを開発、開発する。
論文参考訳（メタデータ） (2020-10-06T01:22:50Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文参考訳（メタデータ） (2020-07-20T19:08:50Z)
Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文参考訳（メタデータ） (2020-05-06T09:56:51Z)
AI4COVID-19: AI Enabled Preliminary Diagnosis for COVID-19 from Cough Samples via an App [2.952763324646348]
新型コロナウイルス(COVID-19)のパンデミックとの戦いが続く中で、大規模な検査ができないことは、人類のアキールのかかととなった。我々は、スマートフォンアプリを介してデプロイ可能な新型コロナウイルス感染症スクリーニングソリューションを提案し、開発し、テストする。 AI4COVID-19と名付けられたこのアプリは、クラウド上で動くAIエンジンに3、3秒間音を録音し、2分以内に結果を返す。
論文参考訳（メタデータ） (2020-04-02T21:39:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。