Die auf Audioaufnahmen trainierten KI-Klassifikatoren können nicht genau vorhersagen, ob jemand eine hat COVID-19 durch die Analyse des Geräusches ihres Hustens, so die Studie des britischen Alan Turing Institute.Wie erstmals in einem Papier von Forschern unter der Leitung des Massachusetts Institute of Technology berichtet wurde, gab es Behauptungen, dass die KI den Unterschied in den Hustengeräuschen zwischen Personen mit und ohne Covid-19 mit einer Genauigkeit von bis zu 98,5 Prozent erkennen könne, berichtet The Register.
Das Ergebnis führte zu Bemühungen, eine App zu entwickeln, die auf den Algorithmen basiert, um Menschen eine kostengünstige und einfache Methode zum Testen auf das neuartige Coronavirus bereitzustellen. Der Abteilung für Gesundheit und Soziales in Großbritannien ging sogar so weit, Fujitsu zwei Aufträge über insgesamt mehr als 1.00.000 Pfund zur Entwicklung des sogenannten „Husten in einer Box“-Initiative im Jahr 2021, heißt es in dem Bericht.Die Software würde Audioaufnahmen von Husten von Benutzern sammeln, um sie zu analysieren Covid-19-App.Forscher des Alan Turing Institute und der Royal Statistical Society haben im Auftrag der UK Health Security Agency eine unabhängige Überprüfung der audiobasierten KI-Technologie als Covid-19-Screening-Tool durchgeführt.Sie fanden heraus, dass selbst das genaueste Hustenerkennungsmodell ein Modell übertraf, das auf von Benutzern gemeldeten Systemen und demografischen Daten wie Alter und Geschlecht basiert.Die Forscher untersuchten Daten von über 67.000 Personen, die über die Programme Test and Trace und REACT-1 des National Health Service rekrutiert wurden, in denen die Teilnehmer gebeten wurden, die Testergebnisse von Covid-19-Nasen- und Rachenabstrichen sowie Aufzeichnungen von Husten, Atmung und Sprechen zurückzusenden .Um zu sehen, ob Husten als Biomarker verwendet werden könnte, trainierten die Forscher ein KI-Modell auf der Grundlage von Audioaufnahmen und Testergebnissen, heißt es in dem Bericht.„Aber als wir die Ergebnisse weiter analysierten, stellte sich heraus, dass die Genauigkeit wahrscheinlich auf einen statistischen Effekt zurückzuführen war, der als Confounding bezeichnet wird – bei dem Modelle andere Variablen lernen, die mit dem wahren Signal korrelieren, im Gegensatz zum wahren Signal selbst“, Kieran Baker , ein Statistik-Doktorand am King’s College London und wissenschaftlicher Mitarbeiter am Alan Turing Institute, wurde zitiert.Die Verwirrung wurde durch die Rekrutierungsverzerrung des Test-and-Trace-Systems verursacht, bei der die Teilnehmer mindestens ein Symptom haben mussten, um teilnehmen zu können. Die Forscher führten zusätzliche Tests durch und paarten Teilnehmer ähnlichen Alters und Geschlechts, wobei nur einer Covid-19 hatte, wie der Bericht erwähnte.„Als wir diese Modelle anhand der abgeglichenen Daten bewerteten, zeigten die Modelle keine gute Leistung, und wir schließen daraus, dass unsere Modelle anhand dieser Daten keinen bioakustischen Marker von Covid-19 erkennen können“, sagte Baker.