10 月 25 日，喀什地區(qū)疏附縣 24 日發(fā)現(xiàn) 1 例新冠肺炎無癥狀感染者后，新疆迅速對其密切接觸者、密切接觸者的接觸者進行核酸檢測，截至 10 月 25 日 14 時，檢測出 137 人呈陽性，經(jīng)專家診斷，均為無癥狀感染者。

后疫情時代，無癥狀感染者正成為疫情復(fù)發(fā)最大的威脅。沒有任何胸悶發(fā)熱癥狀，你和同伴可能很難區(qū)分是否感染了新冠。

但人工智能可以，只要你給 TA 聽聽你的咳嗽聲。 在最近發(fā)表在《IEEE 醫(yī)學(xué)與生物學(xué)工程學(xué)雜志》上的一篇論文中，麻省理工學(xué)院的研究人員表示，他們已經(jīng)開發(fā)出可以識別 COVID-19 感染者咳嗽聲的 AI。

論文地址：

https://www.embs.org/ojemb/articles/covid-19-artificial-intelligence-diagnosis-using-only-cough-recordings/

據(jù)論文顯示，研究小組開發(fā)了一種 AI 模型，該模型通過分析你的咳嗽錄音，可以將無癥狀感染者與健康的人區(qū)分開來。所有人都可以通過網(wǎng)絡(luò)瀏覽器以及手機和筆記本電腦等設(shè)備自愿提交錄音。 研究人員稱，該模型由他們一直以來進行的 “咳嗽檢測阿爾茲海默早期癥狀”演變而來，疫情以來，研究者通過 “網(wǎng)絡(luò)眾籌”的方式，已經(jīng)在全球搜集了 20 多萬的咳嗽樣本，建立了有史以來最大的 “咳嗽數(shù)據(jù)庫”。

通過這些咳嗽樣本和錄入的相關(guān)感染、性別、情緒數(shù)據(jù)，對該模型進行了聲音訓(xùn)練。

目前，該模型識別出確診為 Covid-19 的人的咳嗽的準確率為 98.5%，其中，利用咳嗽聲識別無癥狀感染者的準確度高達 100%。 麻省理工的研究小組正在努力將該模型整合到一個用戶友好的應(yīng)用程序中，如果獲得 FDA 的批準并被大規(guī)模采用，該程序?qū)⒂锌赡艹蔀橐环N免費、便捷、無創(chuàng)的預(yù)篩查工具，以識別可能對 Covid-19 無癥狀的人。

用戶可以每天登錄，錄下咳嗽聲到他們的手機中，并立即獲得有關(guān)他們是否可能被感染的信息。 麻省理工學(xué)院自動識別實驗室的研究科學(xué)家布萊恩 · 蘇比拉納（Brian Subirana）與麻省理工學(xué)院自動 ID 實驗室的 Jordi Laguarta 和 Ferran Hueto 聯(lián)合完成了這項研究。

從阿茲海默癥檢測到新冠檢測

其實這項算法并非為新冠定制。

早在疫情爆發(fā)之前，這個研究小組已經(jīng)在咳嗽的手機錄音中訓(xùn)練算法，以準確診斷肺炎和哮喘等疾病。麻省理工學(xué)院的團隊正在以類似的方式開發(fā) AI 模型，以分析強迫咳嗽記錄，以查看它們是否可以檢測出阿爾茨海默氏癥的體征，這種疾病不僅與記憶力下降有關(guān)，而且還與神經(jīng)肌肉退化（如聲帶減弱）有關(guān)。 他們首先訓(xùn)練了一種通用的機器學(xué)習(xí)算法或稱為 ResNet50 的神經(jīng)網(wǎng)絡(luò)，以區(qū)分與不同聲帶強度相關(guān)的聲音。研究表明，聲音 “ mmmm”的質(zhì)量可以表明一個人的聲帶有多弱。Subirana 在包含了 1000 多個小時語音的有聲讀物數(shù)據(jù)集上訓(xùn)練了神經(jīng)網(wǎng)絡(luò)，以從 “ the”和 “ then”等其他詞中挑選出 “ them”一詞。 該小組訓(xùn)練了第二個神經(jīng)網(wǎng)絡(luò)來區(qū)分言語中明顯的情緒狀態(tài)，因為已證明阿爾茨海默氏癥患者以及神經(jīng)系統(tǒng)較弱的人表現(xiàn)出某些情緒，例如沮喪或平淡無奇，比他們表達快樂還是冷靜的情緒更高。

研究人員通過在大型演員數(shù)據(jù)集上訓(xùn)練情緒情感分類器（例如中性，平靜，快樂和悲傷）來開發(fā)情緒語音分類器模型。 然后，研究人員在咳嗽數(shù)據(jù)庫上訓(xùn)練了第三個神經(jīng)網(wǎng)絡(luò)，以辨別肺和呼吸功能的變化。 最后，該團隊將這三個模型結(jié)合在一起，并疊加了一種算法來檢測肌肉退化。該算法通過實質(zhì)上模擬音頻蒙版或噪聲層，并區(qū)分強咳嗽（通過噪聲可以聽到的咳嗽）與較弱的咳嗽，來做到這一點。 通過新的 AI 框架，該團隊提供了包括阿爾茨海默氏癥患者在內(nèi)的音頻記錄，發(fā)現(xiàn)與現(xiàn)有模型相比，它可以更好地識別阿爾茨海默氏癥的樣本。

結(jié)果表明，聲帶強度、情緒、肺和呼吸功能以及肌肉退化是診斷該疾病的有效生物標志物。 當冠狀病毒大流行開始蔓延時，Subirana 想知道他們針對阿爾茨海默氏癥的 AI 框架是否也可以用于診斷 Covid-19，因為越來越多的證據(jù)表明感染的患者會經(jīng)歷一些類似的神經(jīng)系統(tǒng)癥狀，例如暫時性神經(jīng)肌肉損傷。 “說話和咳嗽的聲音都受到聲帶和周圍器官的影響。這意味著當講話時，部分講話就像是咳嗽，反之亦然。這也意味著我們很容易從流利的言語中衍生出一些東西，人工智能可以簡單地從咳嗽中發(fā)現(xiàn)一些信息，包括人的性別、母語甚至情緒狀態(tài)。實際上，您的咳嗽中蘊含著情感?！?Subirana 說。

“所以我們認為，為什么我們不嘗試探究這些阿茲海默癥的生物標志物（以及看它們是否與 Covid 相關(guān)）”。

20 萬 + 咳嗽樣本，已知最大的咳嗽研究數(shù)據(jù)集

在 4 月，研究小組著手收集盡可能多的咳嗽記錄，包括來自 Covid-19 患者的咳嗽記錄。

他們建立了一個網(wǎng)站，人們可以通過手機或其他支持網(wǎng)絡(luò)的設(shè)備記錄一系列咳嗽。參與者還填寫了他們正在經(jīng)歷的癥狀的調(diào)查表，無論他們是否患有 Covid-19，是否通過官方測試，通過醫(yī)生對其癥狀的評估或是否經(jīng)過自我診斷而得到了診斷。他們還可以記錄自己的性別，地理位置和母語。

迄今為止，研究人員已經(jīng)收集了 70，000 多條錄音，每條錄音包含多個咳嗽聲，總計約 200，000 咳嗽音頻樣本，Subirana 說這是 “已知最大的咳嗽研究數(shù)據(jù)集”。確認患有 Covid-19 的人（包括無癥狀的人）提交了大約 2500 份錄音。

該團隊使用了 2，500 個與 Covid 相關(guān)的記錄，以及他們從集合中隨機選擇的另外 2500 個記錄來平衡數(shù)據(jù)集。他們使用了 4，000 個樣本來訓(xùn)練 AI 模型。然后將其余的 1，000 個記錄輸入模型中，以查看它能否準確區(qū)分出 Covid 患者和健康個體的咳嗽。

令人驚訝的是，正如研究人員在論文中所寫的那樣，他們的努力揭示了 “阿爾茨海默氏癥和新冠咳嗽算法之間驚人的相似之處”。

他們發(fā)現(xiàn)，在原本用于阿爾茨海默氏癥的 AI 框架內(nèi)無需進行大量調(diào)整，他們就能找到針對 Covid-19 的四種生物標志物的模式 - 聲帶強度、情緒、肺和呼吸功能以及肌肉退化。該模型從 Covid-19 確診的人中識別出 98.5% 的咳嗽，并準確地檢測到了所有無癥狀的咳嗽。

Subirana 說：“我們認為這表明，即使您沒有癥狀，當您擁有 Covid 時，您產(chǎn)生聲音的方式也會改變?！?/p>

100% 檢測到無癥狀感染者

Subirana 強調(diào)，這種 AI 模型的優(yōu)勢不在于檢測有癥狀的新冠患者，不管他們的癥狀是由于 Covid-19 還是其他癥狀（如流感或哮喘）引起的。該工具的優(yōu)勢在于它能夠分辨無癥狀新冠感染者的咳嗽和健康的咳嗽。

MIT的團隊正在與一家公司合作，根據(jù)他們的 AI 模型開發(fā)免費的預(yù)檢應(yīng)用程序。他們還與世界各地的多家醫(yī)院合作，收集更大，更多樣化的咳嗽記錄集，這將有助于訓(xùn)練和增強模型的準確性。

正如他們在論文中提出的那樣，“如果預(yù)篩查工具始終在后臺并且不斷改進，那么泛濫癥就可能成為過去?！?/p>

最終，他們設(shè)想可以將他們開發(fā)的音頻 AI 模型集成到智能揚聲器和其他聽音設(shè)備中，以便人們可以方便地（也許每天）對他們的疾病風(fēng)險進行初步評估。

責(zé)任編輯：PSY