- 使用可穿戴醫療傳感器測試 SARS-CoV-2/COVID-19
- 來源：賽斯維傳感器網 發表于 2022/4/11
AZoSensors 與普林斯頓大學電氣與計算機工程學院的 Niraj K. Jha 進行了交談。本次采訪探討了 提出一個名為 CovidDeep 的框架的研究。CovidDeep 將高效的深度神經網絡與市售的可穿戴醫療傳感器相結合，用于對病毒和由此產生的疾病進行普遍測試。
您能給我們介紹一下您的職業背景和您在研究中的角色嗎？
我收到了我的 B.Tech。1981 年在印度卡拉格普爾的印度理工學院獲得博士學位。1985 年畢業于伊利諾伊大學厄巴納-香檳分校。自 1987 年以來，我一直是普林斯頓大學電氣與計算機工程系的一員。我的研究興趣涵蓋機器學習、智能醫療保健和網絡安全。我構思了 CovidDeep 概念并監督了神經網絡模型的開發。
CovidDeep 框架示意圖（GSR：皮膚電反應，Ox.：氧飽和度，BP：血壓，DT/RF：決策樹/隨機森林，NN：神經網絡，KB：知識庫，MND：多變量正態分布，GMM：高斯混合模型，KDE：核密度估計）。
您能給我們概述一下這項研究以及 CovidDeep 是如何開發的嗎？
我在 2020 年 3 月上旬構思了 CovidDeep 的想法。CovidDeep 基于使用嵌入在智能手表中的傳感器（例如，皮膚電反應、節拍間間隔和皮膚溫度）、兩個離散傳感器（脈搏血氧儀、血壓）收集數據，以及一份調查問卷（11 個問題的回答是/否）。
這些數據是從意大利北部一家醫院的健康、無癥狀和有癥狀的個體中收集的。醫生在那家醫院給它們貼上標簽，以實現有監督的機器學習。然后使用基于我們的增長和修剪神經網絡合成程序的數據訓練神經網絡。
相對于傳統神經網絡，增長和修剪方法顯著提高了神經網絡的準確性，同時也顯著減小了神經網絡的大小并提高了其能量效率。該方法模仿了人類大腦如何從嬰兒成長為蹣跚學步的大腦，再到成人大腦。好的神經網絡對 SARS-CoV-2 病毒和由此產生的 COVID-19 疾病的診斷準確率為 98%。在法國對該神經網絡進行的現場試驗也產生了 97% 的高診斷準確率。CovidDeep 目前正在等待 FDA 批準。
圖片來源：Shutterstock.com / metamorworks
團隊在開發 CovidDeep 時是否遇到任何問題？如果是這樣，它們是什么？團隊是如何克服這些問題的？
當該地區遭受 COVID-19 感染激增時，在意大利北部進行了數據收集。為醫生提供數據收集所需的硬件是主要障礙。該小組聯系了意大利當局，后者幫助促進了這一進程。
從數據輸入生成預測的 CovidDeep 處理管道示意圖。
在檢測 COVID-19 時，可穿戴醫療傳感器有什么好處？
診斷神經網絡嵌入在智能手機應用程序中，來自智能手表的數據可以無線傳輸到該應用程序，其他數據（來自離散傳感器和問卷）可以直接輸入到該應用程序中。只需一分鐘的數據收集就可以做出診斷。診斷駐留在智能手機上，從而維護用戶的隱私。可以根據用戶的需要頻繁地進行診斷。這種廉價、快速的實時診斷可以通過僅隔離在某一天被感染的人來使經濟恢復正常。
使用合成數據集（DT/RF：決策樹/隨機森林，NN：神經網絡，KB：知識庫）對 DNN 模型進行預訓練的示意圖。
通過可穿戴醫療傳感器和其他更傳統的測試方法檢測 COVID-19 的主要區別是什么？
逆轉錄聚合酶鏈反應 (RT-PCR) 目前是 SARS-CoV-2 檢測的金標準。該檢測基于痰液或鼻咽拭子中的病毒核酸檢測。雖然它具有很高的特異性，但它有幾個缺點。RT-PCR 測試具有侵入性且不舒服，不可重復使用的測試套件導致供應鏈嚴重不足。也可以通過抗體測試來評估 SARS-CoV-2 感染。
然而，抗體滴度只能從疾病的第二周開始檢測到，并且持續時間不確定。抗體測試也是侵入性的，需要靜脈穿刺，再加上幾天的處理時間，使其不太適合快速大規模篩查。非常需要一種可供公眾輕松訪問的替代 SARSCoV-2/COVID-19 檢測方法，以進行高精度的重復測試。
CovidDeep 應用程序用戶體驗的屏幕截圖。
已經進行的研究可以幫助診斷任何其他情況嗎？
是的。我們對其他疾病（例如 I 型和 II 型糖尿病）和精神健康障礙（例如重度抑郁癥、雙相情感障礙、和分裂情感障礙。我們目前正在研究它對其他幾種疾病/病癥的適用性。該方法基于這樣的假設，即疾病/障礙會在我們身體發出的生理信號上留下其獨特的特征。到目前為止，這個假設已經得到證實。
研究結果對于可穿戴醫療傳感器在未來流行病中的潛在用途意味著什么？
同樣的方法很可能也能夠診斷未來大流行引起的感染/疾病。這似乎是一種通用方法。
你能告訴我們NeuTigers是如何成立的嗎？
2017 年秋季，我在普林斯頓大學開設了一門關于預測數據分析的機器學習課程。普林斯頓大學的一位名叫 Adel Lauui 的紳士在整個學期都參加了講座。他在學期末找我談論我實驗室的研究。我們決定我實驗室正在進行的一些工作，例如邊緣推理和智能醫療，可以商業化，并決定在 2018 年夏天以聯合創始人的身份推出 NeuTigers。Adel 是該公司的首席執行官。
您對未來 10-15 年人工智能在醫療保健應用中的使用有何預測？
這是智能醫療（即在醫療保健中使用機器學習）將起飛的十年。它已經吸引了以每年 40% 的速度增長的風險投資資金。預計五年內每年的投資將超過 $100 B。一些主要的推動力將是診斷（基于可穿戴醫療傳感器和圖像，例如 fMRI、CT 掃描、X 射線、超聲波）、健康（通過快速發現疾病、紊亂或現有疾病的復發來實現早期干預） , 和醫療決策（就治療方案向醫生提供建議）。
- 如果本文收錄的圖片文字侵犯了您的權益，請及時與我們聯系，我們將在24內核實刪除，謝謝！
