Ilman Shazhaev, medstifter og administrerende direktør i Acoustery – Intervju-serie

Ilman Shazhaev er medstifter og administrerende direktør i Acoustery, et sundheds-teknologi-firma, der udvikler AI-teknologi til tidlig erkendelse af respiratoriske sygdomme.

Hvad var det, der oprindeligt tiltrak dig til datalogi og ingeniørvidenskab?

Mængden af data, der er tilgængelig i dag, er større end nogensinde før, og AI-teknologi – som er meget afhængig af data – har gjort enorme fremskridt i de seneste år. Det er derfor, at det er så spændende at lave forskning i dette felt.

Lige nu er jeg fokuseret på Big Data-projekter. Under COVID-19 var jeg med til at stifte Acoustery: en fuldt automatiseret AI-drevet løsning til overvågning af ens sundhed baseret på analyse af ens stemme, host og åndedræt.

Næste skridt var at kombinere sundhedsforskning og gaming. Hvorfor? Mængden af data, denne branche genererer, er unik; hvad mere er, at gamere er tidlige adopterer, der er parat til at dele deres data og bidrage til videnskabelig fremgang. Samtidig er antallet af igangværende kliniske forsøg lavt, og fremgangen er langsom, og gaming-sektoren tillader en langt mere dynamisk dataadfærd.

Kunne du uddybe historien bag Acoustery?

​​​Som jeg nævnte før, startede Acoustery under pandemien. Selv om forretningsmulighederne i 2020 var relativt begrænsede, boede jeg i Dubai, et af de få steder, hvor et projekt kunne operere uden super strenge begrænsninger.

Min medstifter, Dr. Dmitry Mikhaylov, en professor ved National University of Singapore, og jeg startede på en ny udfordring: tidlig opdækkelse af COVID-19. På det tidspunkt var UAE massivt i gang med at udforske tidlig diagnostik-teknologier og støttede i høj grad AI-projekter.

Takket være dette fik vi adgang til en af de bedste testfaciliteter i UAE: Sheikh Zayed militærhospital, hvor vi havde data fra hundredvis af COVID-19-patienter til at træne vores AI-motor på.

Ved næste skridt viste tests, at vores teknologi var meget præcis og havde stor potentiale. Forskere offentliggjorde deres resultater i top-klassificerede tidsskrifter i Japan og USA, og vores testmetode blev brugt i flere asiatiske lande under pandemien som et nødredskab.

Når COVID-19 var ovre, fokuserede vi på at diagnosticere astma ved hjælp af samme tilgang. Sharjah University, der lige nu er førende i UAE’s forskning, godkendte disse tests.

Hvor nøjagtig er dette system i forhold til PCR, LFT og antistofprøver?

Den positive prædiktive værdi af Acoustery i sammenhæng med community-omfattende screening for COVID-19 er relativt høj (81%) i forhold til Xpert MTB/RIF, en ny test, der revolutionerer tuberkulose-diagnose og -kontrol ved at bidrage til den hurtige diagnose af sygdommen (61%) og PCR-hals-swabs (71%).

Vore fund har vist, at softwaren udviklet af Acoustery kan bruges som en primær non-laboratorie-screening-værktøj til at diagnosticere COVID-19-tilfælde og sende patienter til laboratorier til PCR-test.

Kunne du fortælle os mere om den maskinlæring, der er brugt til at træne AI?

Vi antog, at for at få en nøjagtig diagnosticeringsrate for COVID-19, kunne vi træne convolutionelle og rekurrente netværk til at diagnosticere sygdommen ved at analysere spektrogrammer af host og åndedræt fra patienter. Et spektrogram er en visuel måde at repræsentere signalstyrken på forskellige frekvenser. Et antal medicinske studier viste betydelige forskelle mellem hosten fra patienter, der havde COVID, og dem, der ikke havde, så vi trænede vores AI-motor til at genkende disse forskelle.

Acousterys udviklinger kan bruges til at diagnosticere Alzheimers sygdom, som ofte opfattes som en neurologisk lidelse. Hvordan fungerer det?

Vores studie udforsker, hvordan tale-mål kan være forbundet med sprogprofiler hos deltagere med Alzheimers sygdom (AD) og hvordan disse profiler kan skelne AD fra ændringer forbundet med normal aldring. For at opnå dette analyserer vores AI simple sætninger udtalt af ældre voksne med og uden AD, fra procentdelen og antallet af stemme-pauser til shimmer (amplitudperturbations-kvotient) og støj-til-harmonisk-ratio. Nøjagtigheden af denne analyse når op til 90%.

Sidenhen brugte vi samme tilgang i Farcana Labs – et venture, der fokuserer på at samle Big Data genereret af gamere til at udforske sygdomsprogression, især med mentale lidelser.

Hvilke andre sygdomme kan diagnosticeres ved hjælp af denne metode?

Astma er vores hovedprioritet lige nu. Tuberkulose er en anden fokus, samt kronisk obstruktiv lungesygdom (COPD), pulmonal fibrose, lungebetændelse og lungekræft.

Hvor store er træningsdata-sæt for disse brugstilfælde?

Vi har tusinder af host-optagelser i vores database samlet over de sidste fire år.

Hvad er din vision for fremtiden for medicinsk diagnose på tværs af brættet?

De data, der indsamles af personlige enheder, vil spille en betydelig rolle i at diagnosticere sygdomme i et tidligt stadium og forhindre pandemier. Selv vores mobiltelefoner har multiple sensorer: en mikrofon er kun en af dem. Accelerometre, der kan analysere motorfærdigheder og diagnosticere talrige sygdomme, er en anden.

Selv om disse teknologier ikke skal være den eneste kilde til diagnose, kan de betydeligt hjælpe med at forudsige og forhindre spredningen af højt smitsomme respiratoriske sygdomme – og dermed nye pandemier. Acoustery kan også bruges i udviklingslande, hvor adgangen til PCR-test er begrænset.

Det ser ud til, at du har flere projekter i gang; hvad er nogle andre spændende brugsområder, du ser for AI?

AI-rummet er unikt. Som AI-forskere fokuserer vi på niche-områder, der genererer Big Data, som er nødvendigt for enhver AI-forskning. Vi har brug for mange patienter for at samle kvalitetsdata, så vi har flere forskningsprojekter i gang parallelt og udforsker flere forretningsvertikaler.

Vi ser gaming som et område, hvor en masse data genereres. I dag spiller folk mange videospil, som er en værdifuld kilde til data for sundhedsforskning. At indsamle data fra personlige enheder og wearables er en anden vektor med betydelig potentiale.

Alt i alt er det spændende at udforske denne teknologi nu, og jeg tror, at den har endnu mere potentiale til at blive udnyttet på tværs af andre sektorer.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Acoustery.