0
有數(shù)據(jù)顯示，世界50%新冠（COVID-19）病例由無癥狀感染者傳染。
無發(fā)燒、乏力、頭暈等明顯特征的無癥狀感染者，已在不知不覺中成為新冠病毒傳播和復發(fā)的最大威脅。
近日，麻省理工學院（MIT）研究團隊聲稱其利用AI開發(fā)了一種無癥狀感染檢測新方法。有意思的是，該方法利用的是人的生物特征——咳嗽聲。
他們發(fā)現(xiàn)，無癥狀感染者發(fā)出的咳嗽聲與健康人存在不同，其中細微的差別人耳很難分辨，但AI可以。
在最近發(fā)表在《IEEE醫(yī)學與生物工程學雜志》上的一篇論文中，MIT研究人員明確表示，他們已經(jīng)開發(fā)出一種能夠識別COVID-19咳嗽聲的AI。該AI算法已通過迄今為止最大的咳嗽數(shù)據(jù)集測試，無癥狀感染者的診斷準確率可達到100%。
目前，MIT研究團隊已經(jīng)與一家企業(yè)展開合作，計劃將該AI算法整合到手機應用程序中。項目負責人布萊恩·蘇比拉納（Brian Subirana）表示：
如果每個人在去教室，工廠或餐廳之前都使用該AI診斷工具，將會有效減少新冠大流行的傳播。”
據(jù)悉，該項研究成果也同步提交到了FDA和其他監(jiān)管機構，如獲得批準，COVID-19咳嗽應用程序?qū)⒚赓M用于大規(guī)模人群篩查。
人耳能夠分辨出五到十種不同的咳嗽特征，但通過機器學習和信號處理，AI能夠識別300多種。
在醫(yī)學領域，AI識別「咳嗽聲」已用于多項疾病檢測任務。比AI檢測肺炎，哮喘或者神經(jīng)肌肉疾病等。
如Subirana所說，“說話和咳嗽的聲音都受到聲帶和周圍器官的影響。 這也意味著，我們可以從聲音中獲取有關體內(nèi)器官的信息，而AI恰好可以做到這一點。”
因此，在疫情爆發(fā)之前，MIT研究團隊已經(jīng)在嘗試利用AI辨“音”來診斷阿爾茨海默癥（AD）早期的患者。
需要注意的是，正是通過這項研究，研究人員發(fā)現(xiàn)了識別COVID-19無癥狀感染者的可能性，并提供了AI算法支持。
阿爾茨海默病是一種神經(jīng)系統(tǒng)退行性疾病，不僅與記憶力衰退有關，還與聲帶減弱等神經(jīng)肌肉退化有關。因此，研究人員開發(fā)了一種通用的機器學習算法（或稱為ResNet50的神經(jīng)網(wǎng)絡），來區(qū)分與不同聲帶強度所產(chǎn)生的聲音。
具體來說，他們訓練了三個神經(jīng)網(wǎng)絡模型。第一個神經(jīng)網(wǎng)絡代表一個人聲帶的強弱，利用有聲讀物數(shù)據(jù)集（含1000h語音）進行訓練；第二神經(jīng)網(wǎng)絡用來區(qū)分言語中的情緒狀態(tài)。據(jù)了解，AD患者的神經(jīng)功能衰退較一般人更為普遍，經(jīng)常會表現(xiàn)出沮喪、悲傷等負面情緒。因此，研究人員利用演員表達不同情緒的大型語音數(shù)據(jù)集，開發(fā)了情緒語音分類器。第三個神經(jīng)網(wǎng)絡在自建的咳嗽數(shù)據(jù)集上訓練，用來辨別肺和呼吸功能的變化。
最后將三種模型結(jié)合起來，形成了一個用于檢測肌肉退化的AI框架。研究人員經(jīng)過檢測發(fā)現(xiàn)，基于聲帶強度、情緒、肺和呼吸功能等生物特征，該AI能夠準確識別出AD患者。
基于此，當冠狀大流行開始蔓延后，Subirana開始思考是否可以利用AI診斷COVID-19，因為已經(jīng)有證據(jù)表明，新冠感染患者會發(fā)生一些類似的神經(jīng)系統(tǒng)癥狀，比如，暫時性神經(jīng)肌肉損傷。
后來，Subirana在COVID-19咳嗽數(shù)據(jù)集上訓練了阿爾茨海默氏病AI模型，結(jié)果取得了驚人的發(fā)現(xiàn)。該AI模型不僅可以高精度識別出新冠感染患者，而且無癥狀感染者的準確率更高。
AI模型和數(shù)據(jù)集是決定疾病診斷準確率的兩項關鍵指標。
今年4月，MIT研究人員建立了一個公開咳嗽數(shù)據(jù)收集網(wǎng)站，允許所有人通過網(wǎng)絡瀏覽器、手機或者筆記本電腦等設備自愿提交咳嗽錄音。
網(wǎng)站地址：https://opensigma.mit.edu/
截止測試前，該網(wǎng)站收集了超過7萬個錄音，每段錄音中有幾次咳嗽，約有20萬份咳嗽音頻樣本。其中，2500多個樣本是由已經(jīng)確診患者提交的，包括那些無癥狀感染者。
Subirana稱：“在醫(yī)療領域，這是迄今為止最大的咳嗽數(shù)據(jù)集”。
實驗中，研究人員使用2500個感染患者的音頻樣本，以及另外2500個隨機樣本，對AI模型進行訓練。然后利用其余的1000張錄音作為檢測數(shù)據(jù)，來查看它是否能準確地辨別出COVID-19患者和健康人的咳嗽。
在模型方面，采用的仍然是阿爾茨海默氏癥AI模型，并且同樣以聲帶強度、情緒、肺和呼吸四項生物特征作為診斷COVID-19感染患者的標準。
在該模型內(nèi)部，咳嗽音頻通過梅爾頻率倒譜系數(shù)（Mel Frequency Cepstrum Coefficient）進行轉(zhuǎn)換，并輸入到基于卷積神經(jīng)網(wǎng)絡（CNN）的AI架構中，如上文所說，該AI架構由生物特征層和3個并行的ResNet50神經(jīng)網(wǎng)絡構成。最終會輸出二進制形式的預篩查診斷結(jié)果。
基于以上兩個方面，研究人員對其進行了測試，結(jié)果發(fā)現(xiàn)AI模型識別COVID-19患者的準確率為98.5％，無癥狀感染者的準確率為100%。
論文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9208795
這一結(jié)果表明，COVID-19的患者即時沒有明顯癥狀，其聲音也會發(fā)生明顯的變化。同時，該AI模型可以通過這一變化有效地識別出無癥狀感染者。
據(jù)了解，MIT的團隊已經(jīng)在考慮與相關企業(yè)合作將該AI模型整合到手機應用程序中，以便人們可以方便地對疾病風險進行初步評估。
與此同時，研究人員也開始與世界各地的多家醫(yī)院合作，以收集更大，更多樣化的咳嗽記錄集，這將有助于訓練和增強AI模型的準確性。
不過，需要強調(diào)的是，該AI模型的優(yōu)勢不在于檢測有癥狀的新冠患者。
這一點Subirana在論文中也明確強調(diào)。他說，不管他們的癥狀是由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感染者的咳嗽和健康人的咳嗽。
引用鏈接：
https://news.mit.edu/2020/covid-19-cough-cellphone-detection-1029
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
