今年九月，麻省理工学院（MIT）的研究人员发表了题为《COVID-19 Artificial Intelligence Diagnosis using only Cough Recordings》（仅使用咳嗽记录进行 COVID-19 人工智能诊断）的论文，文中发现新冠病毒患者的咳嗽声与健康人不一样。
普通的新冠病毒患者在得病之后会伴随咳嗽、流鼻涕、发烧等症状，他们往往较为容易追踪和检测；相反没有明显症状的患者却能够隐藏在人群中很难被识别，因为他们不知道自己有没有患玻然而 MIT 似乎找到了高效识别无症状患者的方法。
MIT 提供的模型只需要一段简单的咳嗽声，就能检测出受测者是否感染新冠病毒，无需依靠之前明显的特征。这是因为 AI 模型能够辨别新冠病毒患者和健康人之间咳嗽声的差异，而人耳不行、即使是专业的医护人员。
该研究成果发表在《IEEE 医学和生物学工程杂志》上，并得到了广泛的关注。
这项技术可以应用于大规模 COVID-19 无症状筛查工具，并具有实时性和可分发性。目前，该工具可在办公场所和公共区域重新开放时，对办公人员和公众进行日常筛查，并迅速掌握当前群体中的疫情状况。
同时，该项研究成果也同步提交到了 FDA 和其他监管机构，如获得批准，与之相关的应用程序将免费用于大规模人群筛查。
1、基于声学生物标记特征的 AI 语音处理模型
研究中所使用的 AI 模型提取了咳嗽记录的音频特征（梅尔频率倒谱系数），并将它输入到神经网络（卷积神经网络，CNN）中，学习新冠病毒患者与健康人之间的咳嗽差异。
正如 Subirana 在文中解释说：“说话声和咳嗽声都会随着声带及周围器官的变化而改变。这意味着你在说话时，说话的一部分就像是咳嗽，反之亦然。”
其实，利用 AI 模型研究声学特征并不是首例。早在疫情爆发之前，MIT 研究团队已经在尝试利用 AI 分辨声音来诊断阿尔茨海默症（AD）早期的患者。也正是这项研究，使得他们发现了识别 COVID-19 无症状感染者的可能性，并提供了 AI 算法支持。
具体来说，研究人员训练了三个神经网络模型。
第一个模型用来提取一个人声带的强弱特征，利用有声读物数据集（含 1000 小时音频）进行训练。
第二神经网络用来区分言语中的情绪状态。据了解，患者的神经功能衰退较一般人更为普遍，经常会表现出沮丧、悲伤等负面情绪。因此，研究人员利用演员表达不同情绪的大型语音数据集，开发了情绪语音分类器。
第三个神经网络在自建的咳嗽数据集上训练，用来辨别肺和呼吸功能的变化。
最后研究人员将三种模型整合在一起，形成了一个用于检测肌肉退化的 AI 框架。经过检测发现，基于声带强度、情绪、肺和呼吸功能等生物特征，该 AI 模型能够很准确地识别出新冠病毒患者。
2、MIT 提供的模型能够 100% 检测出无症状新冠病毒患者
决定模型准确率的两大因素为：模型架构和数据集。因此，除了上述出色的架构外，一定少不了合适的数据集。
今年 4 月，MIT 研究人员建立了一个公开咳嗽数据收集网站（https://opensigma.mit.edu/），允许所有人通过网络浏览器、手机或者笔记本电脑等设备自愿提交咳嗽录音。
截止到目前，该网站收集了超过 7 万个录音，共包含约 20 万份咳嗽音频样本。其中，2500 多个样本由已经确诊的患者提交，包括那些无症状感染者。作者也很自豪的说：“在医疗领域，这是迄今为止最大的咳嗽数据集。”
实验证明，仅使用上述的 AI 模型，可以从确认已患有新冠病毒的人中准确地识别出 98.5% 的咳嗽，并且以 100% 的准确性检测出了没有任何症状，但检测呈阳性的那些人。
由此可见，新冠病毒患者即时没有明显症状，其声音也会发生明显的变化。同时，该 AI 模型可以通过这一变化有效地识别出无症状感染者。
与目前唯一已实施的筛查方法（测量体温）相比，只有 45％的轻中度新冠病毒患者有发烧（体温升高）的症状。如果将 MIT 提供的技术应用于每日检查中，会有不错的提升。
目前，MIT 的团队正在与相关企业合作将该 AI 模型整合到手机应用程序（App）中，以便人们方便地对疾病风险进行初步评估。
同时，为了训练和增强 AI 模型的准确性，研究人员也与世界各地的多家医院合作，以收集更大、更多样化的咳嗽记录集，并提供到后续的模型训练中。
正如文中所叙述的那样，新兴的人工智能技术正在也将被应用于更多的领域当中。可以是用来发现无症状感染者，遏制新冠病毒的传播，也可以是识别和检测早期阿尔兹海默症患者，进行及时的治疗……
-End-
