Des chercheurs canadiens de Klick ont publié un grand modèle d’IA dans la revue Mayo Clinic Papers : Digital Health, qui permet de diagnostiquer le diabète sucré de type 2 (DT2) en écoutant un message vocal de 6 à 10 secondes.
À l’heure actuelle, le principal test de dépistage du diabète repose sur la mesure de la glycémie, mais cette méthode nécessite un prélèvement sanguin, ce qui est traumatisant pour le patient et nécessite un équipement spécialisé, ce qui est très coûteux. Afin de résoudre ce problème de détection, des chercheurs de Klick, une entreprise canadienne de technologie de la santé bien connue, ont proposé une méthode de détection par modèle d’IA.
Les chercheurs ont collecté des échantillons vocaux de 267 volontaires, qui ont ensuite été testés en détail à l’aide d’un modèle d’IA, et les résultats ont montré que l’IA identifiait avec précision le diabète de type 2, avec une précision de 89 % pour les femmes et de 86 % pour les hommes**. Il a également été constaté que la « hauteur » et « l’écart-type de la hauteur » figuraient parmi les principales caractéristiques du diagnostic du diabète de type 2.
Cette étude est similaire au processus d’imagerie de reconstruction du cerveau humain à l’aide de la MEG (magnétoencéphalographie) proposé par Meta il y a quelque temps, et tout est basé sur les caractéristiques des organismes humains pour observer les changements dans ses données de gigue afin de déterminer les résultats.
Adresse:
Création d’un jeu de données
Les chercheurs ont recruté un total de 267 volontaires, dont 79 femmes et 113 hommes non diabétiques, et 18 femmes et 57 hommes ont reçu un diagnostic de diabète de type 2.
Le diagnostic de diabète du participant est basé sur les critères diagnostiques de l’American Diabetes Association, confirmés par le médecin. Il n’y a pas d’antécédents de troubles neurologiques ou de troubles du langage en même temps, et il n’y a pas d’antécédents de tabagisme.
À l’aide d’une application pour smartphone, les participants ont enregistré une phrase fixe : « Bonjour, comment allez-vous ? » Quel est mon taux de sucre dans le sang maintenant », enregistré pendant 2 semaines, jusqu’à 6 fois par jour, avec un total de 18 465 échantillons vocaux collectés.
Segmentation des données, extraction de caractéristiques
Étant donné que des facteurs tels que l’âge et l’indice de masse corporelle peuvent avoir un impact sur les données vocales, les chercheurs ont segmenté les données en ensembles de données appariés selon l’âge et l’IMC en fonction des identifiants des participants pour l’entraînement du modèle et l’analyse statistique, ce qui a aidé le modèle d’IA à apprendre les changements réels dans la parole diabétique.
L’ensemble d’entraînement représentait 50 % de tous les hommes et 61 % de toutes les femmes atteintes de diabète de type 2. Les données restantes sont utilisées comme ensemble de test pour tester le modèle d’IA entraîné.
Les chercheurs ont ensuite extrait 14 caractéristiques acoustiques de chaque échantillon de voix, notamment la hauteur, l’intensité, le rapport harmonique/bruit, le son et le tremblement du son. L’extraction des caractéristiques est effectuée à l’aide de Parselmouth, l’interface Python du logiciel d’analyse vocale Praat.
Les caractéristiques numériques qui peuvent refléter les changements de parole peuvent être extraites du signal vocal d’origine pour fournir des données d’entrée pour l’entraînement et la prédiction ultérieurs du modèle.
Sélectionnez le modèle
En tenant compte des modèles utilisés dans des travaux connexes, les chercheurs ont choisi des modèles tels que la régression logistique, le bayésien naïf et les machines à vecteurs de support. Les performances de ces modèles ont été évaluées sur l’ensemble d’apprentissage avec une validation croisée de 5 fois pour trouver le meilleur modèle.
Pour les femmes, le modèle de régression logistique avec trois caractéristiques a le mieux fonctionné ; Pour les hommes, le modèle bayésien naïf à 2 caractéristiques fonctionne mieux.
Les modèles de régression logistique permettent d’estimer la contribution de différentes caractéristiques aux résultats ; Le modèle bayésien naïf fonctionne mieux dans les scénarios de petits échantillons. Ensuite, à l’aide du meilleur modèle, pré-entraînez-vous sur l’ensemble d’entraînement construit.
Données de test du modèle
Le modèle d’IA entraîné a été utilisé pour prédire les données de l’ensemble de test afin d’obtenir la probabilité que chaque échantillon appartienne au diabète de type 2. Sur la base d’un seuil de probabilité prédéterminé, l’échantillon est prédit comme étant diabétique de type 2 ou non diabétique.
Dans le même temps, les données de l’ensemble de test sont utilisées pour calculer l’exactitude, la sensibilité, la spécificité et d’autres indicateurs d’évaluation du modèle, et la courbe ROC peut être tracée pour évaluer de manière exhaustive les performances de prédiction du modèle.
En outre, les chercheurs fusionnent également des informations telles que l’âge et l’indice de masse corporelle dans les résultats de prédiction, ce qui peut améliorer la précision du modèle.
Par exemple, la prévalence de la prédiction de la parole moyenne et de l’indice de masse corporelle chez les femmes et la prévalence de l’âge et de l’indice de masse corporelle chez les hommes étaient associées aux résultats moyens de la voix chez les hommes. En combinant plusieurs sources d’information, ce module intégré peut compenser les lacunes d’un seul modèle et améliorer la capacité prédictive du modèle.
Les résultats des tests ont montré que pour les femmes, les résultats vocaux combinés à la prévalence du diabète de type 2 dans l’indice de masse corporelle ont atteint une précision de 0,89, une spécificité de 0,91 et une sensibilité de 0,71 sur l’ensemble de test.
Pour les hommes, les résultats verbaux, combinés à la prévalence du diabète de type 2 selon l’âge et l’indice de masse corporelle, ont permis d’obtenir une précision de 0,86, une spécificité de 0,89 et une sensibilité de 0,75 sur l’ensemble de test.
Jaycee Kaufman, responsable de l’étude, a déclaré que nous avions identifié les changements dans la voix des patients atteints de diabète de type 2 au cours de l’étude, ce qui a une valeur d’application très élevée pour les grands modèles d’IA pour détecter et dépister le diabète de type 2.
La méthode d’évaluation vocale peut aider à l’intervention précoce et à la prise en charge du diabète sucré de type 2, tout en réduisant le fardeau de la maladie et en améliorant les résultats médicaux.
À propos de Klick Health
Fondée en 1997 et basée à Toronto, au Canada, Klick est un leader mondial du marketing de la santé. Klick Health utilise une approche axée sur les données pour développer et mettre en œuvre une variété de stratégies de marketing liées à la santé et à la médecine.
Klick propose une gamme de services, notamment la stratégie numérique, la stratégie de marque, l’innovation et le design, l’analyse des données, le développement de contenu et les solutions technologiques.
À propos du diabète de type 2
Le diabète de type 2 est une maladie chronique caractérisée par une résistance à l’insuline et un dysfonctionnement de la sécrétion d’insuline. Le corps ne peut pas utiliser efficacement l’insuline, et cette condition est connue sous le nom de résistance à l’insuline. L’insuline est une hormone qui aide notre corps à convertir la glycémie en énergie.
Lorsque la résistance à l’insuline se produit, le taux de sucre dans le sang commence à augmenter, ce qui peut entraîner divers problèmes de santé, notamment des maladies cardiaques, des maladies rénales, une perte de vision et des lésions nerveuses.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Le diabète peut être jugé en écoutant 10 secondes de voix, ce modèle d’IA est trop hardcore !
Source originale : Communauté ouverte de l’AIGC
Des chercheurs canadiens de Klick ont publié un grand modèle d’IA dans la revue Mayo Clinic Papers : Digital Health, qui permet de diagnostiquer le diabète sucré de type 2 (DT2) en écoutant un message vocal de 6 à 10 secondes.
À l’heure actuelle, le principal test de dépistage du diabète repose sur la mesure de la glycémie, mais cette méthode nécessite un prélèvement sanguin, ce qui est traumatisant pour le patient et nécessite un équipement spécialisé, ce qui est très coûteux. Afin de résoudre ce problème de détection, des chercheurs de Klick, une entreprise canadienne de technologie de la santé bien connue, ont proposé une méthode de détection par modèle d’IA.
Les chercheurs ont collecté des échantillons vocaux de 267 volontaires, qui ont ensuite été testés en détail à l’aide d’un modèle d’IA, et les résultats ont montré que l’IA identifiait avec précision le diabète de type 2, avec une précision de 89 % pour les femmes et de 86 % pour les hommes**. Il a également été constaté que la « hauteur » et « l’écart-type de la hauteur » figuraient parmi les principales caractéristiques du diagnostic du diabète de type 2.
Cette étude est similaire au processus d’imagerie de reconstruction du cerveau humain à l’aide de la MEG (magnétoencéphalographie) proposé par Meta il y a quelque temps, et tout est basé sur les caractéristiques des organismes humains pour observer les changements dans ses données de gigue afin de déterminer les résultats.
Adresse:
Création d’un jeu de données
Les chercheurs ont recruté un total de 267 volontaires, dont 79 femmes et 113 hommes non diabétiques, et 18 femmes et 57 hommes ont reçu un diagnostic de diabète de type 2.
Le diagnostic de diabète du participant est basé sur les critères diagnostiques de l’American Diabetes Association, confirmés par le médecin. Il n’y a pas d’antécédents de troubles neurologiques ou de troubles du langage en même temps, et il n’y a pas d’antécédents de tabagisme.
Segmentation des données, extraction de caractéristiques
Étant donné que des facteurs tels que l’âge et l’indice de masse corporelle peuvent avoir un impact sur les données vocales, les chercheurs ont segmenté les données en ensembles de données appariés selon l’âge et l’IMC en fonction des identifiants des participants pour l’entraînement du modèle et l’analyse statistique, ce qui a aidé le modèle d’IA à apprendre les changements réels dans la parole diabétique.
L’ensemble d’entraînement représentait 50 % de tous les hommes et 61 % de toutes les femmes atteintes de diabète de type 2. Les données restantes sont utilisées comme ensemble de test pour tester le modèle d’IA entraîné.
Les chercheurs ont ensuite extrait 14 caractéristiques acoustiques de chaque échantillon de voix, notamment la hauteur, l’intensité, le rapport harmonique/bruit, le son et le tremblement du son. L’extraction des caractéristiques est effectuée à l’aide de Parselmouth, l’interface Python du logiciel d’analyse vocale Praat.
Les caractéristiques numériques qui peuvent refléter les changements de parole peuvent être extraites du signal vocal d’origine pour fournir des données d’entrée pour l’entraînement et la prédiction ultérieurs du modèle.
Sélectionnez le modèle
En tenant compte des modèles utilisés dans des travaux connexes, les chercheurs ont choisi des modèles tels que la régression logistique, le bayésien naïf et les machines à vecteurs de support. Les performances de ces modèles ont été évaluées sur l’ensemble d’apprentissage avec une validation croisée de 5 fois pour trouver le meilleur modèle.
Les modèles de régression logistique permettent d’estimer la contribution de différentes caractéristiques aux résultats ; Le modèle bayésien naïf fonctionne mieux dans les scénarios de petits échantillons. Ensuite, à l’aide du meilleur modèle, pré-entraînez-vous sur l’ensemble d’entraînement construit.
Données de test du modèle
Le modèle d’IA entraîné a été utilisé pour prédire les données de l’ensemble de test afin d’obtenir la probabilité que chaque échantillon appartienne au diabète de type 2. Sur la base d’un seuil de probabilité prédéterminé, l’échantillon est prédit comme étant diabétique de type 2 ou non diabétique.
Dans le même temps, les données de l’ensemble de test sont utilisées pour calculer l’exactitude, la sensibilité, la spécificité et d’autres indicateurs d’évaluation du modèle, et la courbe ROC peut être tracée pour évaluer de manière exhaustive les performances de prédiction du modèle.
Par exemple, la prévalence de la prédiction de la parole moyenne et de l’indice de masse corporelle chez les femmes et la prévalence de l’âge et de l’indice de masse corporelle chez les hommes étaient associées aux résultats moyens de la voix chez les hommes. En combinant plusieurs sources d’information, ce module intégré peut compenser les lacunes d’un seul modèle et améliorer la capacité prédictive du modèle.
Les résultats des tests ont montré que pour les femmes, les résultats vocaux combinés à la prévalence du diabète de type 2 dans l’indice de masse corporelle ont atteint une précision de 0,89, une spécificité de 0,91 et une sensibilité de 0,71 sur l’ensemble de test.
Pour les hommes, les résultats verbaux, combinés à la prévalence du diabète de type 2 selon l’âge et l’indice de masse corporelle, ont permis d’obtenir une précision de 0,86, une spécificité de 0,89 et une sensibilité de 0,75 sur l’ensemble de test.
Jaycee Kaufman, responsable de l’étude, a déclaré que nous avions identifié les changements dans la voix des patients atteints de diabète de type 2 au cours de l’étude, ce qui a une valeur d’application très élevée pour les grands modèles d’IA pour détecter et dépister le diabète de type 2.
La méthode d’évaluation vocale peut aider à l’intervention précoce et à la prise en charge du diabète sucré de type 2, tout en réduisant le fardeau de la maladie et en améliorant les résultats médicaux.
À propos de Klick Health
Fondée en 1997 et basée à Toronto, au Canada, Klick est un leader mondial du marketing de la santé. Klick Health utilise une approche axée sur les données pour développer et mettre en œuvre une variété de stratégies de marketing liées à la santé et à la médecine.
Klick propose une gamme de services, notamment la stratégie numérique, la stratégie de marque, l’innovation et le design, l’analyse des données, le développement de contenu et les solutions technologiques.
À propos du diabète de type 2
Le diabète de type 2 est une maladie chronique caractérisée par une résistance à l’insuline et un dysfonctionnement de la sécrétion d’insuline. Le corps ne peut pas utiliser efficacement l’insuline, et cette condition est connue sous le nom de résistance à l’insuline. L’insuline est une hormone qui aide notre corps à convertir la glycémie en énergie.
Lorsque la résistance à l’insuline se produit, le taux de sucre dans le sang commence à augmenter, ce qui peut entraîner divers problèmes de santé, notamment des maladies cardiaques, des maladies rénales, une perte de vision et des lésions nerveuses.