10 月 25 日，喀什地區疏附縣 24 日發現 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發最大的威脅。沒有任何胸悶發熱癥狀，你和同伴可能很難區分是否感染了新冠。

但人工智能可以，只要你給 TA 聽聽你的咳嗽聲。 在最近發表在《IEEE 醫學與生物學工程學雜志》上的一篇論文中，麻省理工學院的研究人員表示，他們已經開發出可以識別 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/

據論文顯示，研究小組開發了一種 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分開來。所有人都可以通過網絡瀏覽器以及手機和筆記本電腦等設備自愿提交錄音。 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 “網絡眾籌”的方式，已經在全球搜集了 20 多萬的咳嗽樣本，建立了有史以來最大的 “咳嗽數據庫”。

通過這些咳嗽樣本和錄入的相關感染、性別、情緒數據，對該模型進行了聲音訓練。

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用程序中，如果獲得 FDA 的批準并被大規模采用，該程序將有可能成為一種免費、便捷、無創的預篩查工具，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，并立即獲得有關他們是否可能被感染的信息。 麻省理工學院自動識別實驗室的研究科學家布萊恩 · 蘇比拉納（Brian Subirana）與麻省理工學院自動 ID 實驗室的 Jordi Laguarta 和 Ferran Hueto 聯合完成了這項研究。

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。

早在疫情爆發之前，這個研究小組已經在咳嗽的手機錄音中訓練算法，以準確診斷肺炎和哮喘等疾病。麻省理工學院的團隊正在以類似的方式開發 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，而且還與神經肌肉退化（如聲帶減弱）有關。 他們首先訓練了一種通用的機器學習算法或稱為 ResNet50 的神經網絡，以區分與不同聲帶強度相關的聲音。研究表明，聲音 “ mmmm”的質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據集上訓練了神經網絡，以從 “ the”和 “ then”等其他詞中挑選出 “ them”一詞。 該小組訓練了第二個神經網絡來區分言語中明顯的情緒狀態，因為已證明阿爾茨海默氏癥患者以及神經系統較弱的人表現出某些情緒，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據集上訓練情緒情感分類器（例如中性，平靜，快樂和悲傷）來開發情緒語音分類器模型。 然后，研究人員在咳嗽數據庫上訓練了第三個神經網絡，以辨別肺和呼吸功能的變化。 最后，該團隊將這三個模型結合在一起，并疊加了一種算法來檢測肌肉退化。該算法通過實質上模擬音頻蒙版或噪聲層，并區分強咳嗽（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的音頻記錄，發現與現有模型相比，它可以更好地識別阿爾茨海默氏癥的樣本。

結果表明，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表明感染的患者會經歷一些類似的神經系統癥狀，例如暫時性神經肌肉損傷。 “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現一些信息，包括人的性別、母語甚至情緒狀態。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）”。

20 萬 + 咳嗽樣本，已知最大的咳嗽研究數據集

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。

他們建立了一個網站，人們可以通過手機或其他支持網絡的設備記錄一系列咳嗽。參與者還填寫了他們正在經歷的癥狀的調查表，無論他們是否患有 Covid-19，是否通過官方測試，通過醫生對其癥狀的評估或是否經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據集”。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 個記錄來平衡數據集。他們使用了 4，000 個樣本來訓練 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”。

他們發現，在原本用于阿爾茨海默氏癥的 AI 框架內無需進行大量調整，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，您產生聲音的方式也會改變。”

100% 檢測到無癥狀感染者

Subirana 強調，這種 AI 模型的優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，根據他們的 AI 模型開發免費的預檢應用程序。他們還與世界各地的多家醫院合作，收集更大，更多樣化的咳嗽記錄集，這將有助于訓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。”

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

責任編輯：PSY