Leggere la voce del Covid: all'Università di Ferrara un metodo alternativo per la diagnosi

Analizzare un colpo di tosse, rendendo visibili le sue onde sonore, per identificare la positività al virus SARS-CoV-2. Questo il nuovo sistema intelligente messo a punto dal Professor Guido Sciavicco del Dipartimento di Matematica e Informatica dell’Università di Ferrara, con dati resi disponibili dall’Università di Cambridge. 

Partendo da dati raccolti dall’Università di Cambridge nel 2020, diverse centinaia di registrazioni di colpi di tosse di persone asintomatiche di cui era nota la positività o meno al COVID-19, il gruppo di ricercatori è riuscito a isolare le caratteristiche che contraddistinguono una persona positiva, a ricrearle e anche a riconoscerle nella tosse di altri pazienti.

“Abbiamo reso il suono visibile, per evidenziare chiaramente quali solo le frequenze e la potenza che caratterizzano i pattern tipici della tosse di un positivo, anche se asintomatico. Abbiamo poi isolato queste caratteristiche ricorrenti e le abbiamo ricercate e riconosciute in ulteriori registrazioni di colpi di tosse dei campioni forniti, di cui era nota la positività, per validare il nostro sistema di diagnosi” – racconta il Professor Sciavicco.

“La parte soddisfacente dello studio è che siamo riusciti a compiere un passo ulteriore alla diagnosi, risultato sicuramente interessante ma che per essere completamente validato statisticamente avrebbe bisogno di un numero di campioni maggiori: con questo risultato noi ora sappiamo come 'suona' la positività al Covid nel colpo di tosse, molto utile per la diagnosi da parte dei medici”.

L'immagine, che corrisponde a un colpo di tosse, mostra una traccia con tutte le frequenze vocali nella parte sopra, e, sotto, alcune frequenze che sono state evidenziate come 'interessanti' per distinguere i positivi dai negativi. Le formule che effettivamente identificano tale distinzione sono relativamente complesse.

Il metodo di riconoscimento si basa su una tecnica di machine learning di nuova concezione, chiamato modal learning con supervisione:

“Si parte da una base di dati etichettati in modo sicuro: in questo caso, sapevamo con esattezza se il colpo di tosse che stavamo ascoltando era di un paziente positivo o no. Fornendo questi dati e la loro etichetta al computer, gli si danno strumenti per imparare a distinguere la positività o negatività, analizzando esclusivamente la traccia audio di un colpo di tosse, senza avere informazioni aggiuntive sulla storia clinica del paziente. Il learning modale permette una maggiore espressività rispetto a quello classico, e dunque evidenzia pattern più complessi. Per la parte di insegnamento alla macchina è stata usata solo una parte dei campioni forniti dall’Università di Cambridge, mentre i restanti dati sono serviti per la parte di validazione della nostra metodologia” – spiega il professore.

A confronto con altre tecniche e linguaggi di machine learning, non solo questo metodo è più economico dal punto di vista delle risorse di calcolo, ma il vero punto di forza è la capacità del computer di giustificare la decisione presa: non è più solo il risultato di un lungo calcolo computazionale, ma una scelta “ragionata” della macchina stessa.

L’accuratezza di tale tecnologia permetterebbe di sostituire o affiancare con un semplice microfono gli attuali metodi non invasivi, per esempio la misurazione della temperatura corporea, la cui affidabilità non è molto alta. Inoltre sarebbe possibile pensare a un computer che si comporta come un medico durante una visita di routine: il team del Professor Sciavicco sta infatti valutando potenziali implementazioni di questa ricerca sotto forma di app per il prossimo futuro. Basterebbe infatti tossire per 15 secondi al microfono, in modo molto simile a quello che facciamo durante l’auscultazione dei polmoni. 

Il professor Guido Sciavicco

Per saperne di più

Lo studio dal titolo "Interval Temporal Random Forests with an Application to COVID-19 Diagnosis" è pubblicato in open access su Leibniz International Proceedings in Informatics 206, 7:1 - 7:17. Proceedings of the 28th International Symposium on Temporal Representation and Reasoning (TIME 2021).

L'elenco completo degli autori è: Federico Manzella, studente della laurea triennale in Informatica, che ha partecipato a questa ricerca grazie al programma di Undergraduate Research, Giovanni Pagliarini e Ionel Eduard Stan, dottorandi in Matematica e Informatica a Unife e membri del laboratorio ACLAI, e Guido Sciavicco.

A cura di LUCIA MASCOTELLI, studentessa del Master in Giornalismo e Comunicazione Istituzionale della Scienza dell'Università di Ferrara