出典:AIGCオープンコミュニティ 画像ソース: Unbounded AIによって生成カナダのKlickの研究者は、6〜10秒の音声メッセージを聞くことで2型糖尿病(T2DM)を診断できる大規模なAIモデルを、トップヘルスジャーナル「Mayo Clinic Papers: Digital Health」に発表しました。現在、糖尿病の主な検査は血糖値測定に頼っていますが、この方法では血液サンプルが必要であり、患者に外傷性があり、特殊な機器が必要であり、非常に費用がかかります。 この検出の問題点を解決するために、カナダの有名な医療技術企業であるKlickの研究者は、AIモデル検出方法を提案しました。研究者らは、267人のボランティアから音声サンプルを収集し、AIモデルを使用して詳細にテストしたところ、AIが2型糖尿病を正確に識別し、女性で89%、男性で86%の精度を示しました**。 また、「ピッチ」と「ピッチの標準偏差」が2型糖尿病の診断における主な特徴であることもわかりました。この研究は、少し前にMeta社が提唱したMEG(脳磁図)を用いて人間の脳を再構築するイメージングプロセスに似ており、すべてヒトの生体特性に基づいて、そのジッターデータの変化を観察して結果を決定します。住所： ## **データセットの構築** 研究者らは合計267人のボランティアを募集し、そのうち79人の女性と113人の男性が非糖尿病で、18人の女性と57人の男性が2型糖尿病と診断されました。参加者の糖尿病診断は、医師によって確認された米国糖尿病協会の診断基準に基づいています。 同時に神経障害や言語障害の病歴はなく、喫煙歴もありません。 参加者はスマートフォンのアプリを使って、「こんにちは、お元気ですか?」という定型文を録音しました。 今の血糖値はどうですか」と題し、2週間、1日6回まで録音し、合計18,465の音声サンプルを収集しました。 ## **データセグメンテーション、特徴抽出** 年齢や肥満度指数などの要因が音声データに影響を与える可能性があるため、研究者らは、モデルのトレーニングと統計分析のために、参加者IDに基づいてデータを年齢とBMIを一致させたデータセットに分割し、AIモデルが糖尿病の発話の実際の変化を学習するのに役立ちました。このトレーニングセットは、2型糖尿病の全男性の50%、女性の61%を占めていました。 残りのデータは、トレーニング済みの AI モデルをテストするためのテスト セットとして使用されます。次に、研究者らは、各音声サンプルから、ピッチ、強度、高調波対雑音比、音、音の揺れなど、14の音響的特徴を抽出しました。 特徴抽出は、Praat音声解析ソフトウェアのPythonインターフェースであるParselmouthを使用して実行されます。音声の変化を反映できる数値特徴を元の音声信号から抽出して、その後のモデルのトレーニングと予測のための入力を提供できます。 ## **モデルの選択** 研究者らは、関連する研究で使用されたモデルを考慮して、ロジスティック回帰、単純ベイズ、サポートベクターマシンなどのモデルを選択しました。 これらのモデルのパフォーマンスは、最適なモデルを見つけるために、5 分割交差検証を使用してトレーニング セットで評価されました。 女性の場合、3つの特徴を持つロジスティック回帰モデルが最も効果的でした。 男性の場合、2 つの特徴を持つ単純ベイズモデルが最適です。ロジスティック回帰モデルでは、結果に対するさまざまな特徴の寄与度を推定できます。 単純ベイズ モデルは、小さなサンプル シナリオでより適切に機能します。 次に、最適なモデルを使用して、構築されたトレーニング セットで事前トレーニングを行います。 ## **モデルテストデータ** トレーニングされたAIモデルを使用してテストセット内のデータを予測し、各サンプルが2型糖尿病に属する確率を取得しました。 所定の確率閾値に基づいて、試料は、2型糖尿病または非糖尿病であると予測される。同時に、テストセットのデータを使用して、モデルの精度、感度、特異性、その他の評価指標を計算し、ROC曲線をプロットして、モデルの予測性能を包括的に評価できます。 さらに、研究者は年齢や肥満度指数などの情報を予測結果に融合させることで、モデルの精度を向上させることができます。例えば、女性における平均発話予測と肥満度指数の有病率、および男性の年齢と肥満度指数の有病率は、男性の平均的な音声結果と関連していた。 複数の情報源を組み合わせることで、1つのモデルの欠点を補い、モデルの予測能力を高めることができる統合モジュールです。検査結果によると、女性の場合、声の結果と肥満度指数の2型糖尿病の有病率を組み合わせると、テストセットで精度0.89、特異度0.91、感度0.71を達成しました。男性の場合、口頭の結果は、年齢および肥満度指数別の2型糖尿病の有病率と組み合わされ、テストセットで0.86の精度、0.89の特異度、および0.75の感度を達成しました。この研究の責任者であるJaycee Kaufman氏は、この研究中に2型糖尿病患者の声の変化を特定したと述べており、これは2型糖尿病を検出してスクリーニングするためのAI大規模モデルにとって非常に高いアプリケーション価値を持っていると述べています。音声評価の方法は、2型糖尿病の早期介入と管理に役立つと同時に、病気の負担を軽減し、医学的転帰を改善します。 ## **Klick Healthについて** 1997年に設立され、カナダのトロントに本社を置くKlickは、世界有数のヘルスマーケティング企業です。 Klick Healthは、データドリブンなアプローチを使用して、さまざまな健康および医療関連のマーケティング戦略を開発および実装しています。Klickは、デジタル戦略、ブランド戦略、イノベーションとデザイン、データインサイト、コンテンツ開発、テクノロジーソリューションなど、幅広いサービスを提供しています。 ## **2型糖尿病について** 2型糖尿病は、インスリン抵抗性とインスリン分泌機能障害を特徴とする慢性疾患です。 体はインスリンを効果的に使用することができず、この状態はインスリン抵抗性として知られています。 インスリンは、私たちの体が血糖値をエネルギーに変換するのを助けるホルモンです。インスリン抵抗性が起こると、血糖値が上昇し始め、心臓病、腎臓病、視力低下、神経損傷など、さまざまな健康問題を引き起こす可能性があります。
糖尿病は10秒の声を聞くだけで判断できますが、このAIモデルはハードコアすぎます!
出典:AIGCオープンコミュニティ
カナダのKlickの研究者は、6〜10秒の音声メッセージを聞くことで2型糖尿病(T2DM)を診断できる大規模なAIモデルを、トップヘルスジャーナル「Mayo Clinic Papers: Digital Health」に発表しました。
現在、糖尿病の主な検査は血糖値測定に頼っていますが、この方法では血液サンプルが必要であり、患者に外傷性があり、特殊な機器が必要であり、非常に費用がかかります。 この検出の問題点を解決するために、カナダの有名な医療技術企業であるKlickの研究者は、AIモデル検出方法を提案しました。
研究者らは、267人のボランティアから音声サンプルを収集し、AIモデルを使用して詳細にテストしたところ、AIが2型糖尿病を正確に識別し、女性で89%、男性で86%の精度を示しました**。 また、「ピッチ」と「ピッチの標準偏差」が2型糖尿病の診断における主な特徴であることもわかりました。
この研究は、少し前にMeta社が提唱したMEG(脳磁図)を用いて人間の脳を再構築するイメージングプロセスに似ており、すべてヒトの生体特性に基づいて、そのジッターデータの変化を観察して結果を決定します。
住所：
データセットの構築
研究者らは合計267人のボランティアを募集し、そのうち79人の女性と113人の男性が非糖尿病で、18人の女性と57人の男性が2型糖尿病と診断されました。
参加者の糖尿病診断は、医師によって確認された米国糖尿病協会の診断基準に基づいています。 同時に神経障害や言語障害の病歴はなく、喫煙歴もありません。
データセグメンテーション、特徴抽出
年齢や肥満度指数などの要因が音声データに影響を与える可能性があるため、研究者らは、モデルのトレーニングと統計分析のために、参加者IDに基づいてデータを年齢とBMIを一致させたデータセットに分割し、AIモデルが糖尿病の発話の実際の変化を学習するのに役立ちました。
このトレーニングセットは、2型糖尿病の全男性の50%、女性の61%を占めていました。 残りのデータは、トレーニング済みの AI モデルをテストするためのテスト セットとして使用されます。
次に、研究者らは、各音声サンプルから、ピッチ、強度、高調波対雑音比、音、音の揺れなど、14の音響的特徴を抽出しました。 特徴抽出は、Praat音声解析ソフトウェアのPythonインターフェースであるParselmouthを使用して実行されます。
音声の変化を反映できる数値特徴を元の音声信号から抽出して、その後のモデルのトレーニングと予測のための入力を提供できます。
モデルの選択
研究者らは、関連する研究で使用されたモデルを考慮して、ロジスティック回帰、単純ベイズ、サポートベクターマシンなどのモデルを選択しました。 これらのモデルのパフォーマンスは、最適なモデルを見つけるために、5 分割交差検証を使用してトレーニング セットで評価されました。
ロジスティック回帰モデルでは、結果に対するさまざまな特徴の寄与度を推定できます。 単純ベイズ モデルは、小さなサンプル シナリオでより適切に機能します。 次に、最適なモデルを使用して、構築されたトレーニング セットで事前トレーニングを行います。
モデルテストデータ
トレーニングされたAIモデルを使用してテストセット内のデータを予測し、各サンプルが2型糖尿病に属する確率を取得しました。 所定の確率閾値に基づいて、試料は、2型糖尿病または非糖尿病であると予測される。
同時に、テストセットのデータを使用して、モデルの精度、感度、特異性、その他の評価指標を計算し、ROC曲線をプロットして、モデルの予測性能を包括的に評価できます。
例えば、女性における平均発話予測と肥満度指数の有病率、および男性の年齢と肥満度指数の有病率は、男性の平均的な音声結果と関連していた。 複数の情報源を組み合わせることで、1つのモデルの欠点を補い、モデルの予測能力を高めることができる統合モジュールです。
検査結果によると、女性の場合、声の結果と肥満度指数の2型糖尿病の有病率を組み合わせると、テストセットで精度0.89、特異度0.91、感度0.71を達成しました。
男性の場合、口頭の結果は、年齢および肥満度指数別の2型糖尿病の有病率と組み合わされ、テストセットで0.86の精度、0.89の特異度、および0.75の感度を達成しました。
この研究の責任者であるJaycee Kaufman氏は、この研究中に2型糖尿病患者の声の変化を特定したと述べており、これは2型糖尿病を検出してスクリーニングするためのAI大規模モデルにとって非常に高いアプリケーション価値を持っていると述べています。
音声評価の方法は、2型糖尿病の早期介入と管理に役立つと同時に、病気の負担を軽減し、医学的転帰を改善します。
Klick Healthについて
1997年に設立され、カナダのトロントに本社を置くKlickは、世界有数のヘルスマーケティング企業です。 Klick Healthは、データドリブンなアプローチを使用して、さまざまな健康および医療関連のマーケティング戦略を開発および実装しています。
Klickは、デジタル戦略、ブランド戦略、イノベーションとデザイン、データインサイト、コンテンツ開発、テクノロジーソリューションなど、幅広いサービスを提供しています。
2型糖尿病について
2型糖尿病は、インスリン抵抗性とインスリン分泌機能障害を特徴とする慢性疾患です。 体はインスリンを効果的に使用することができず、この状態はインスリン抵抗性として知られています。 インスリンは、私たちの体が血糖値をエネルギーに変換するのを助けるホルモンです。
インスリン抵抗性が起こると、血糖値が上昇し始め、心臓病、腎臓病、視力低下、神経損傷など、さまざまな健康問題を引き起こす可能性があります。