新冠檢測新方法：MIT用咳嗽聲診斷無症狀感染者，準確率達100%！

（示意圖/取自pixabay）

有數據顯示，世界50%的新冠（COVID-19）病例，是由無症狀感染者傳染的。

無發燒、乏力、頭暈等明顯特徵的無症狀感染者，已在不知不覺中成為新冠病毒傳播和復發的最大威脅。

近日，麻省理工學院（MIT）研究團隊聲稱，其利用AI開發了一種無症狀感染檢測新方法。有意思的是，該方法利用的是人的生物特徵「咳嗽聲」。

他們發現，無症狀感染者發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。

在最近發表在《IEEE醫學與生物工程學雜誌》上的一篇論文中，MIT研究人員明確表示，他們已經開發出一種能夠辨識COVID-19咳嗽聲的AI。

該AI算法已通過迄今為止最大的咳嗽數據集測試，無症狀感染者的診斷準確率可達到100%。

目前，MIT研究團隊已經與一家企業展開合作，計劃將該AI算法整合到手機應用程式中。項目負責人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，將會有效減少新冠肺炎大流行的傳播。」

據悉，該項研究成果也同步提交到了FDA和其他監管機構，如獲得批准，COVID-19咳嗽應用程式將免費用於大規模人群篩查。

利用「咳嗽聲」診斷疾病

人耳能夠分辨出五到十種不同的咳嗽特徵，但通過機器學習和訊號處理，AI能夠辨識300多種。

在醫學領域，AI辨識「咳嗽聲」已用於多項疾病檢測任務。比AI檢測肺炎、哮喘或者神經肌肉疾病等。

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器官的資訊，而AI恰好可以做到這一點。」

因此，在疫情爆發之前，MIT研究團隊已經在嘗試利用AI辨「音」，來診斷阿茲海默症（AD）早期的患者。

需要注意的是，正是通過這項研究，研究人員發現了辨識COVID-19無症狀感染者的可能性，並提供了AI算法支持。

阿茲海默症是一種神經系統退行性疾病，不僅與記憶力衰退有關，還與聲帶減弱等神經肌肉退化有關。因此，研究人員開發了一種通用的機器學習算法（或稱為ResNet50的神經網絡），來區分與不同聲帶強度所產生的聲音。

具體來說，他們訓練了三個神經網路模型。第一個神經網路代表一個人聲帶的強弱，利用有聲讀物數據集（含1000h語音）進行訓練；第二神經網路用來區分言語中的情緒狀態。據瞭解，AD患者的神經功能衰退較一般人更為普遍，經常會表現出沮喪、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據集，開發了情緒語音分類器。第三個神經網路在自建的咳嗽數據集上訓練，用來辨別肺和呼吸功能的變化。

最後將三種模型結合起來，形成了一個用於檢測肌肉退化的AI框架。研究人員經過檢測發現，基於聲帶強度、情緒、肺和呼吸功能等生物特徵，該AI能夠準確辨識出AD患者。

基於此，當新冠肺炎大流行開始蔓延後，Subirana開始思考，是否可以利用AI診斷COVID-19，因為已經有證據表明，新冠感染患者會發生一些類似的神經系統症狀，比如，暫時性神經肌肉損傷。

後來，Subirana在COVID-19咳嗽數據集上，訓練了阿茲海默症AI模型，結果取得了驚人的發現。該AI模型不僅可以高精度辨識出新冠感染患者，而且無症狀感染者的準確率更高。

無症狀感染者辨識率100%

AI模型和數據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據收集網站，允許所有人通過網路瀏覽器、手機或者筆記型電腦等設備，自願提交咳嗽錄音。

截止測試前，該網站收集了超過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多個樣本是由已經確診患者提交的，包括那些無症狀感染者。

Subirana稱：「在醫療領域，這是迄今為止最大的咳嗽數據集」。

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。然後利用其餘的1000張錄音作為檢測數據，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，採用的仍然是阿茲海默症AI模型，並且同樣以聲帶強度、情緒、肺和呼吸四項生物特徵，作為診斷COVID-19感染患者的標準。

在該模型內部，咳嗽音頻通過梅爾頻率倒譜系數（Mel Frequency Cepstrum Coefficient）進行轉換，並輸入到基於卷積神經網路（CNN）的AI架構中，如上文所說，該AI架構由生物特徵層和3個並行的ResNet50神經網路構成。

最終會輸出二進制形式的預篩查診斷結果。

基於以上兩個方面，研究人員對其進行了測試，結果發現AI模型辨識COVID-19患者的準確率為98.5％，無症狀感染者的準確率為100%。

這一結果表明，COVID-19的患者即時沒有明顯症狀，其聲音也會發生明顯的變化。同時，該AI模型可以通過這一變化，有效地辨識出無症狀感染者。

據瞭解，MIT的團隊已經在考慮與相關企業合作，將該AI模型整合到手機應用程式中，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院合作，以收集更大，更多樣化的咳嗽記錄集，這將有助於訓練和增強AI模型的準確性。

不過，需要強調的是，該AI模型的優勢不在於檢測有症狀的新冠患者。

這一點Subirana在論文中也明確強調。

他說，不管他們的症狀是由COVID-19還是其他症狀（如流感或哮喘）引起的。該工具的優勢在於，它能夠分辨無症狀感染者的咳嗽和健康人的咳嗽。