使用可穿戴医疗传感器测试 SARS-CoV-2/COVID-19

AZoSensors 与普林斯顿大学电气与计算机工程学院的 Niraj K. Jha 进行了交谈。本次采访探讨了 提出一个名为 CovidDeep 的框架的研究。CovidDeep 将高效的深度神经网络与市售的可穿戴医疗传感器相结合，用于对病毒和由此产生的疾病进行普遍测试。

您能给我们介绍一下您的职业背景和您在研究中的角色吗？

我收到了我的 B.Tech。1981 年在印度卡拉格普尔的印度理工学院获得博士学位。1985 年毕业于伊利诺伊大学厄巴纳-香槟分校。自 1987 年以来，我一直是普林斯顿大学电气与计算机工程系的一员。我的研究兴趣涵盖机器学习、智能医疗保健和网络安全。我构思了 CovidDeep 概念并监督了神经网络模型的开发。

CovidDeep 框架示意图（GSR：皮肤电反应，Ox.：氧饱和度，BP：血压，DT/RF：决策树/随机森林，NN：神经网络，KB：知识库，MND：多变量正态分布，GMM：高斯混合模型，KDE：核密度估计）。

您能给我们概述一下这项研究以及 CovidDeep 是如何开发的吗？

我在 2020 年 3 月上旬构思了 CovidDeep 的想法。CovidDeep 基于使用嵌入在智能手表中的传感器（例如，皮肤电反应、节拍间间隔和皮肤温度）、两个离散传感器（脉搏血氧仪、血压）收集数据，以及一份调查问卷（11 个问题的回答是/否）。

这些数据是从意大利北部一家医院的健康、无症状和有症状的个体中收集的。医生在那家医院给它们贴上标签，以实现有监督的机器学习。然后使用基于我们的增长和修剪神经网络合成程序的数据训练神经网络。

相对于传统神经网络，增长和修剪方法显着提高了神经网络的准确性，同时也显着减小了神经网络的大小并提高了其能量效率。该方法模仿了人类大脑如何从婴儿成长为蹒跚学步的大脑，再到成人大脑。好的神经网络对 SARS-CoV-2 病毒和由此产生的 COVID-19 疾病的诊断准确率为 98%。在法国对该神经网络进行的现场试验也产生了 97% 的高诊断准确率。CovidDeep 目前正在等待 FDA 批准。

图片来源：Shutterstock.com / metamorworks

团队在开发 CovidDeep 时是否遇到任何问题？如果是这样，它们是什么？团队是如何克服这些问题的？

当该地区遭受 COVID-19 感染激增时，在意大利北部进行了数据收集。为医生提供数据收集所需的硬件是主要障碍。该小组联系了意大利当局，后者帮助促进了这一进程。

从数据输入生成预测的 CovidDeep 处理管道示意图。

在检测 COVID-19 时，可穿戴医疗传感器有什么好处？

诊断神经网络嵌入在智能手机应用程序中，来自智能手表的数据可以无线传输到该应用程序，其他数据（来自离散传感器和问卷）可以直接输入到该应用程序中。只需一分钟的数据收集就可以做出诊断。诊断驻留在智能手机上，从而维护用户的隐私。可以根据用户的需要频繁地进行诊断。这种廉价、快速的实时诊断可以通过仅隔离在某一天被感染的人来使经济恢复正常。

使用合成数据集（DT/RF：决策树/随机森林，NN：神经网络，KB：知识库）对 DNN 模型进行预训练的示意图。

通过可穿戴医疗传感器和其他更传统的测试方法检测 COVID-19 的主要区别是什么？

逆转录聚合酶链反应 (RT-PCR) 目前是 SARS-CoV-2 检测的金标准。该检测基于痰液或鼻咽拭子中的病毒核酸检测。虽然它具有很高的特异性，但它有几个缺点。RT-PCR 测试具有侵入性且不舒服，不可重复使用的测试套件导致供应链严重不足。也可以通过抗体测试来评估 SARS-CoV-2 感染。

然而，抗体滴度只能从疾病的第二周开始检测到，并且持续时间不确定。抗体测试也是侵入性的，需要静脉穿刺，再加上几天的处理时间，使其不太适合快速大规模筛查。非常需要一种可供公众轻松访问的替代 SARSCoV-2/COVID-19 检测方法，以进行高精度的重复测试。

CovidDeep 应用程序用户体验的屏幕截图。 

已经进行的研究可以帮助诊断任何其他情况吗？

是的。我们对其他疾病（例如 I 型和 II 型糖尿病）和精神健康障碍（例如重度抑郁症、双相情感障碍、和分裂情感障碍。我们目前正在研究它对其他几种疾病/病症的适用性。该方法基于这样的假设，即疾病/障碍会在我们身体发出的生理信号上留下其独特的特征。到目前为止，这个假设已经得到证实。

研究结果对于可穿戴医疗传感器在未来流行病中的潜在用途意味着什么？

同样的方法很可能也能够诊断未来大流行引起的感染/疾病。这似乎是一种通用方法。

你能告诉我们NeuTigers是如何成立的吗？

2017 年秋季，我在普林斯顿大学开设了一门关于预测数据分析的机器学习课程。普林斯顿大学的一位名叫 Adel Lauui 的绅士在整个学期都参加了讲座。他在学期末找我谈论我实验室的研究。我们决定我实验室正在进行的一些工作，例如边缘推理和智能医疗，可以商业化，并决定在 2018 年夏天以联合创始人的身份推出 NeuTigers。Adel 是该公司的首席执行官。

您对未来 10-15 年人工智能在医疗保健应用中的使用有何预测？

这是智能医疗（即在医疗保健中使用机器学习）将起飞的十年。它已经吸引了以每年 40% 的速度增长的风险投资资金。预计五年内每年的投资将超过 $100 B。一些主要的推动力将是诊断（基于可穿戴医疗传感器和图像，例如 fMRI、CT 扫描、X 射线、超声波）、健康（通过快速发现疾病、紊乱或现有疾病的复发来实现早期干预） , 和医疗决策（就治疗方案向医生提供建议）。

若本文收录的图片文字侵犯了您的权益，请邮件联系我们，我们将在24小时内予以删除。