هوش مصنوعی از روی صدای افراد، نشانه‌های دیابت نوع دوم را شناسایی کند

پژوهشگران در مطالعه‌ای تازه نشان داده‌اند که صدای انسان می‌تواند اطلاعاتی درباره احتمال ابتلا به دیابت نوع ۲ در اختیار هوش مصنوعی قرار دهد.

این روش با تحلیل الگوهای صوتی و بدون نیاز به آزمایش خون یا اندازه‌گیری شاخص توده بدنی، نشانه‌هایی مرتبط با این بیماری را شناسایی می‌کند. محققان امیدوارند این فناوری در آینده به توسعه روش‌های ساده‌تر و کم‌هزینه‌تر برای غربالگری بیماری‌های مزمن کمک کند.

این پژوهش که توسط محققان آزمایشگاه Klick Labs انجام شده، در مجله علمی IEEE Journal of Biomedical and Health Informatics منتشر شده است. تیم تحقیقاتی برای بررسی ارتباط میان صدا و دیابت، ۱۴ هزار و ۷۵۹ نمونه صوتی از ۴۶۱ فرد بزرگسال را تحلیل کرد. شرکت‌کنندگان با استفاده از تلفن هوشمند، جمله‌های کوتاه انگلیسی را ضبط کردند و پژوهشگران برای تحلیل داده‌ها تنها از نمونه‌های صوتی و جنسیت افراد استفاده کردند.

هوش مصنوعی چگونه نشانه‌های بیماری را در صدا پیدا می‌کند؟

در روش‌های سنتی تحلیل صدا، پژوهشگران معمولاً ویژگی‌های مشخصی مانند زیر و بمی صدا، شدت صوت و تغییرات ظریف در ارتعاشات صوتی را بررسی می‌کنند. اما در مطالعه جدید، محققان رویکرد متفاوتی را به کار گرفتند.

ابتدا نمونه‌های صوتی به نمودارهای تصویری موسوم به «طیف‌نگاشت» تبدیل شدند که تغییرات فرکانس صدا را در طول زمان نشان می‌دهند. سپس یک مدل هوش مصنوعی به نام Audio Spectrogram Transformer این تصاویر را تحلیل کرد تا ترکیب‌های پیچیده‌ای از ویژگی‌های صوتی را شناسایی کند؛ الگوهایی که ممکن است با دیابت نوع ۲ ارتباط داشته باشند، اما در روش‌های معمول به‌راحتی قابل تشخیص نیستند.

یان فوسا، معاون ارشد بخش تحقیق و توسعه سلامت دیجیتال در Klick Applied Sciences و محقق اصلی این مطالعه، درباره نتایج گفت

اکنون می‌توانیم به معنای واقعی کلمه نشانه‌های بسیار بیشتری مرتبط با دیابت را در نشانگرهای زیستی صوتی ببینیم.

دقت هوش مصنوعی چقدر است؟

مدل‌های توسعه‌یافته در این پژوهش برای زنان به دقت متوازن ۷۱.۳ درصد و برای مردان به دقت متوازن ۷۲.۴ درصد دست یافتند. این معیار، توانایی مدل در شناسایی درست افراد مبتلا و غیرمبتلا را به‌صورت متوازن ارزیابی می‌کند. بنابراین، نتایج نشان می‌دهند که صدا می‌تواند اطلاعات مفیدی برای تشخیص الگوهای مرتبط با بیماری فراهم کند، اما عملکرد فعلی مدل هنوز برای تشخیص قطعی دیابت کافی نیست.

این مطالعه در ادامه پژوهشی در سال ۲۰۲۳ انجام شده است که در آن، محققان با ترکیب اطلاعات صوتی و داده‌هایی مانند سن و شاخص توده بدنی، به دقت بالاتری دست یافته بودند. بااین‌حال، نتایج دو مطالعه را نمی‌توان مستقیماً با یکدیگر مقایسه کرد؛ زیرا روش تحلیل، داده‌های ورودی و شیوه ارزیابی آن‌ها متفاوت بوده است.

آیا تشخیص بیماری با صدا به واقعیت تبدیل می‌شود؟

یکی از مزیت‌های بالقوه این فناوری، امکان استفاده از تلفن‌های هوشمند برای جمع‌آوری نمونه‌های صوتی است. در صورت توسعه و اعتبارسنجی بیشتر، چنین روشی می‌تواند به ابزار کمکی برای غربالگری افراد و شناسایی کسانی تبدیل شود که به بررسی‌های پزشکی دقیق‌تر نیاز دارند.

بااین‌حال، پژوهشگران هنوز باید عملکرد این مدل را روی جمعیت‌های بزرگ‌تر و متنوع‌تر بررسی کنند. همچنین، شناسایی الگوهای صوتی مرتبط با دیابت به معنای اثبات ابتلای یک فرد نیست و جایگزین آزمایش‌های پزشکی نخواهد شد. در حال حاضر، این پژوهش بیشتر نشان‌دهنده ظرفیت هوش مصنوعی برای استخراج اطلاعات سلامت از صداست؛ حوزه‌ای که ممکن است در آینده راه‌های تازه‌ای برای پایش بیماری‌های مزمن فراهم کند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.