論文の概要: Audio-based AI classifiers show no evidence of improved COVID-19 screening over simple symptoms checkers

• arxiv url: http://arxiv.org/abs/2212.08570v1
• Date: Thu, 15 Dec 2022 15:44:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 16:38:23.809648
• Title: Audio-based AI classifiers show no evidence of improved COVID-19 screening over simple symptoms checkers
• Title（参考訳）: 音声ベースのAI分類器は、簡単な症状検査で新型コロナウイルススクリーニングの改善の証拠を示さない
• Authors: Harry Coppock, George Nicholson, Ivan Kiskin, Vasiliki Koutra, Kieran Baker, Jobie Budd, Richard Payne, Emma Karoune, David Hurley, Alexander Titcomb, Sabrina Egglestone, Ana Tendero Ca\~nadas, Lorraine Butler, Radka Jersakova, Jonathon Mellor, Selina Patel, Tracey Thornley, Peter Diggle, Sylvia Richardson, Josef Packham, Bj\"orn W. Schuller, Davide Pigoli, Steven Gilmour, Stephen Roberts, Chris Holmes
• Abstract要約: 関連メタデータを用いた67,842人の音声記録のデータセットを収集,分析した。 被験者は、英国政府のNational Health Service Test-and-Trace ProgramとReal-time Assessment of Community Transmissionサーベイを通じて募集された。 データセットのAI分類器の非調整分析では、SARS-CoV-2感染状況が高精度に予測される。 しかし, 年齢, 性別, 自覚症状など, 共同創設者と照合すると, 分類器の性能は著しく低下する。
• 参考スコア（独自算出の注目度）: 37.085063562292845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has reported that AI classifiers trained on audio recordings can accurately predict severe acute respiratory syndrome coronavirus 2 (SARSCoV2) infection status. Here, we undertake a large scale study of audio-based deep learning classifiers, as part of the UK governments pandemic response. We collect and analyse a dataset of audio recordings from 67,842 individuals with linked metadata, including reverse transcription polymerase chain reaction (PCR) test outcomes, of whom 23,514 tested positive for SARS CoV 2. Subjects were recruited via the UK governments National Health Service Test-and-Trace programme and the REal-time Assessment of Community Transmission (REACT) randomised surveillance survey. In an unadjusted analysis of our dataset AI classifiers predict SARS-CoV-2 infection status with high accuracy (Receiver Operating Characteristic Area Under the Curve (ROCAUC) 0.846 [0.838, 0.854]) consistent with the findings of previous studies. However, after matching on measured confounders, such as age, gender, and self reported symptoms, our classifiers performance is much weaker (ROC-AUC 0.619 [0.594, 0.644]). Upon quantifying the utility of audio based classifiers in practical settings, we find them to be outperformed by simple predictive scores based on user reported symptoms.
• Abstract（参考訳）: 最近の研究によると、音声録音で訓練されたAI分類器は、重症急性呼吸器症候群ウイルス(SARSCoV2)の感染状況を正確に予測できる。 ここでは、英国政府によるパンデミック対策の一環として、音声ベースのディープラーニング分類器の大規模研究を行う。 SARS CoV 2 で23,514 が陽性であった逆転写ポリメラーゼ連鎖反応(PCR)試験結果を含む,67,842 人の音声記録のデータセットを収集し,分析した。 被験者は、英国政府のNational Health Service Test-and-Trace ProgramとREACT(REal-time Assessment of Community Transmission)によるランダムな監視調査を通じて募集された。 データセットai分類器の未調整解析により,sars-cov-2感染状況は,これまでの研究結果と一致した精度(rocauc 0.846 [0.838, 0.854])で予測された。 しかし, 年齢, 性別, 自覚症状など, 共同創設者と照合すると, 分類器の性能は著しく低下する(ROC-AUC 0.619 [0.594, 0.644])。 実用環境では,音声ベースの分類器の有用性を定量化することで,ユーザの報告した症状に基づく単純な予測スコアに勝ることがわかった。

関連論文リスト

• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• Coswara: A respiratory sounds and symptoms dataset for remote screening of SARS-CoV-2 infection [23.789227109218118]
  本稿では,多種多様な呼吸音と豊富なメタデータを含むデータセットであるCosharaデータセットについて述べる。 呼吸音は, 呼吸, きず, 発声の変種に関連する9つの音カテゴリーを含む。 本稿では,データ収集手順,人口統計,症状,音声データ情報について要約する。
  論文  参考訳（メタデータ） (2023-05-22T06:09:10Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• A large-scale and PCR-referenced vocal audio dataset for COVID-19 [29.40538927182366]
  イギリス保健安全庁は、2021年3月から2022年3月までの英国におけるテスト・アンド・トレースプログラムとREACT-1サーベイを通じて、自発的な参加者を募集した。 新型コロナウイルス対策」のデジタルサーベイでは、インフルエンザの鳴き声、吐き声、スピーチの音声記録が収集された。 このデータセットでは、11.30%の参加者が喘息を報告している。
  論文  参考訳（メタデータ） (2022-12-15T11:40:40Z)
• Developing a multi-variate prediction model for the detection of COVID-19 from Crowd-sourced Respiratory Voice Data [0.0]
  この研究の新規性は、音声記録から新型コロナウイルス患者を識別するためのディープラーニングモデルの開発である。 私たちは、新型コロナウイルスのサウンドアプリを使った4352人の参加者からクラウドソースされた、853のオーディオサンプルからなるケンブリッジ大学のデータセットを使用しました。 音声データに基づいて,陽性症例を検出する深層学習分類モデルを開発した。
  論文  参考訳（メタデータ） (2022-09-08T11:46:37Z)
• 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)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• Uncertainty-Aware COVID-19 Detection from Imbalanced Sound Data [15.833328435820622]
  音声ベースのCOVID-19検出のための複数のディープラーニングモデルを開発するアンサンブルフレームワークを提案する。 誤った予測はしばしば高い不確実性をもたらすことが示されている。 この研究は、より堅牢なサウンドベースのcovid-19自動スクリーニングシステムへの道を開くものだ。
  論文  参考訳（メタデータ） (2021-04-05T16:54:03Z)
• 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)
• 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)

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。