Ilman Shazhaev, medgrunnlegger og CEO av Acoustery – Intervju-serie

Ilman Shazhaev er medgrunnlegger og CEO av Acoustery, et helse-teknologiselskap som utvikler AI-teknologi for tidlig gjenkjenning av respirasjonssykdommer.

Hva var det som først tiltalte deg til datateknologi og ingeniørarbeid?

Mengden data som er tilgjengelig i dag er større enn noen gang tidligere, og AI-teknologi — som er svært avhengig av data — har gjort enorme fremskritt de siste årene. Dette er grunnen til at det er så spennende å gjøre forskning i dette feltet.

For øyeblikket fokuserer jeg på Big Data-prosjekter. Under COVID-19 var jeg med å grunnlegge Acoustery: en fullstendig automatisert AI-drevet løsning for å overvåke en persons helse basert på analyse av stemme, hoste og pust.

Neste skritt var å kombinere helseforskning og spill. Hvorfor? Mengden data denne industrien genererer er unik; dessuten er spillere tidlige brukere som er klare til å dele sine data og bidra til vitenskapelig fremgang. Samtidig er antallet pågående kliniske studier lavt, fremgangen er langsom, og spillsektoren tillater mye mer dynamisk data-behandling.

Kunne du utdype på opphavsfortellingen bak Acoustery?

​​​Som jeg nevnte tidligere, ble Acoustery startet under pandemien. Selv om forretningsmulighetene i 2020 var relativt begrensede, bodde jeg i Dubai, ett av de få stedene hvor et prosjekt kunne operere uten svært strenge begrensninger.

Min medgrunnlegger Dr. Dmitry Mikhaylov, en professor ved National University of Singapore, og jeg startet på en ny utfordring: tidlig gjenkjenning av COVID-19. På den tiden utforsket UAE aktivt tidlige diagnosteknologier og støttet i stor grad AI-prosjekter.

Takket være dette fikk vi tilgang til ett av de beste testanleggene i UAE: Sheikh Zayed militærhospitalet, hvor vi hadde data fra hundrevis av COVID-19-pasienter for å trene vår AI-motor på.

Ved neste stadium viste testene at vår teknologi var svært nøyaktig og hadde stor potensial. Forskere publiserte sine resultater i topp-klassifiserte tidsskrifter i Japan og USA, og vår testmetode ble brukt i flere asiatiske land under pandemien som et nødverktøy.

Når COVID-19 var over, fokuserte vi på å gjenkjenne astma ved hjelp av samme tilnærming. Sharjah University, som for øyeblikket leder i UAEs forskning, godkjente disse testene.

Hvor nøyaktig er dette systemet sammenlignet med PCR, LFT og antistofftester for COVID-19?

Den positive prediktive verdien til Acoustery i sammenheng med samfunnsomfattende skjerming for COVID-19 er relativt høy (81%) sammenlignet med Xpert MTB/RIF, en ny test som revolusjonerer tuberkulose-diagnose og -kontroll ved å bidra til rask diagnostisering av sykdommen (61%) og PCR-hals-swab (71%).

Våre funn har vist at programvaren utviklet av Acoustery kan brukes som et primært ikke-laboratorie-skjermingsverktøy for å gjenkjenne COVID-19-tilfeller og sende pasienter til laboratorier for PCR-testing.

Kunne du fortelle oss mer om maskinlæringen som brukes til å trene AI?

Vi antok at for å få en nøyaktig gjenkjenning av COVID-19, kunne vi trene konvolusjons- og rekurrerende nettverk for å diagnostisere sykdommen ved å analysere spektrogrammene av hoste og pust fra pasienter. Et spektrogram er en visuell måte å representere signalstyrken på ulike frekvenser. En rekke medisinske studier viste signifikante forskjeller mellom hosten til pasienter som hadde COVID og de som ikke hadde, så vi trenet vår AI-motor til å gjenkjenne slike forskjeller.

Acousterys utvikling kan brukes til å diagnostisere Alzheimers sykdom, som vanligvis anses som en nevrologisk lidelse. Hvorledes fungerer det?

Vår studie utforsker hvordan tale-målinger kan være knyttet til språk-profiler hos deltakere med Alzheimers sykdom (AD) og hvordan disse profilene kan skille AD fra endringer forbundet med normal aldring. For å oppnå dette analyserer vår AI enkle setninger uttalt av eldre voksne med og uten AD, fra prosentandelen og antallet stemmebrudd til shimmer (amplitudperturbasjonskvotient) og støy-til-harmonisk-forhold. Nøyaktigheten av denne analysen når 90%.

Senere brukte vi samme tilnærming i Farcana Labs – et prosjekt som fokuserer på å samle inn Big Data generert av spillere for å forskning på sykdoms-progresjon, spesielt ved å bruke mentale lidelser.

Hvilke andre sykdommer kan diagnostiseres ved hjelp av denne metoden?

Astma er vårt hovedfokus nå. Tuberkulose er et annet fokus, samt kronisk obstruktiv lungesykdom (KOLS), lungetubberkulos, lungebetennelse og lungekreft.

Hvor store er treningsdatamengdene for disse brukstilfellene?

Vi har tusenvis av hoste-opptak i vår database samlet inn de siste fire årene.

Hva er din visjon for fremtiden til medisinsk diagnostikk generelt?

Dataene som samles inn av personlige enheter vil spille en betydelig rolle i å diagnostisere sykdommer på et tidlig stadium og forebygge pandemier. Selv våre mobiltelefoner har flere sensorer: en mikrofon er bare ett av disse. Accelerometre som kan analysere motoriske ferdigheter og gjenkjenne mange sykdommer er et annet.

Selv om disse teknologiene ikke bør være den eneste kilde for diagnostisering, kan de betydelig hjelpe med å forutsi og forebygge spredningen av svært smittsomme respirasjonssykdommer — og dermed nye pandemier. Acoustery kan også brukes i utviklingsland hvor tilgangen til PCR-testing er begrenset.

Du ser ut til å ha flere prosjekter i gang; hva er noen andre spennende bruksområder du ser for AI?

AI-rommet er unikt. Som AI-forskere fokuserer vi på nisjer som genererer store mengder data, som er nødvendig for all AI-forskning. Vi trenger mange pasienter for å samle inn kvalitetsdata, så vi har flere forskningsprosjekter som går parallelt og utforsker flere forretningsvertikaler.

Vi ser på spill som et område hvor en enorm mengde data genereres. I dag spiller folk mye videospill, som er en verdifull kilde til data for helseforskning. Samling av data fra personlige enheter og wearables er et annet vektor med betydelig potensiale.

Alt i alt er det spennende å utforske denne teknologien nå, og jeg tror den har mye mer potensiale som fortsatt kan utnyttes over andre sektorer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Acoustery.