人工智能正被用于根据咳嗽声区分无症状新冠病例与健康人群。
在所提供的20万份样本中，该模型识别出98.5%来自确诊感染新冠病毒者的咳嗽声，其中包括100%的无症状感染者咳嗽声。
研究人员正在开发一款应用程序，其中整合了该模型，它可能成为一种预筛查工具，用于识别可能无症状的人群。
从定义上讲，感染新冠病毒的无症状者不会出现可察觉的身体症状。因此，他们接受病毒检测的可能性较低，并可能在不知情的情况下将感染传播给他人。
但看来，无症状者可能并未完全避免病毒带来的变化。麻省理工学院的研究人员现已发现，无症状者的咳嗽方式可能与健康人群有所不同。这些差异无法被人耳辨别，但事实证明，人工智能可以识别出来。
在近期发表于《IEEE医学与生物学工程期刊》的一篇论文中，研究团队介绍了一种人工智能模型，该模型通过用户自愿通过网络浏览器及手机、笔记本电脑等设备提交的用力咳嗽录音，将无症状者与健康人群区分开来。
研究人员使用数万份咳嗽及语音样本训练了该模型。当他们将新的咳嗽录音输入模型后，模型准确识别出98.5%来自确诊感染新冠病毒者的咳嗽声，其中包括100%来自无症状者的咳嗽声——这些无症状者表示自己没有症状，但病毒检测呈阳性。
该团队正致力于将该模型整合到一款用户友好的应用程序中。若该应用获得美国食品药品监督管理局（FDA）批准并大规模推广，它有望成为一种免费、便捷、无创的预筛查工具，用于识别可能无症状感染新冠病毒的人群。用户每天登录，对着手机咳嗽，即可立即获知自己是否可能已被感染，从而决定是否需要进行正式检测予以确认。
“如果每个人在进入教室、工厂或餐厅之前都使用这一群体诊断工具，将有效遏制疫情传播，”共同作者、麻省理工学院自动识别实验室研究科学家布赖恩·苏比拉纳（Brian Subirana）表示。
苏比拉纳的共同作者是麻省理工学院自动识别实验室的豪迪·拉瓜尔塔（Jordi Laguarta）和费兰·韦托（Ferran Hueto）。
在此收听播客：新人工智能模型可通过设备录制的咳嗽声检测无症状新冠感染。
语音情绪
在疫情爆发之前，研究小组已利用手机录制的咳嗽声训练算法，以准确诊断肺炎和哮喘等疾病。与此类似，麻省理工学院团队也在开发人工智能模型，分析用力咳嗽的录音，以探测阿尔茨海默病的迹象。阿尔茨海默病不仅与记忆衰退相关，还与声带无力等神经肌肉退化有关。
他们首先训练了一种通用机器学习算法，即神经网络，名为ResNet50，用于区分与不同声带力量程度相关的声音。研究表明，“嗯嗯嗯”这一声音的质量可以反映一个人声带的强弱。苏比拉纳使用一个包含超过1000小时语音的有声读物数据集训练该神经网络，使其能够从“the”和“then”等词中识别出“them”一词。
该团队训练了第二个神经网络，用于识别语音中体现的情绪状态，因为研究表明，阿尔茨海默病患者以及更广泛的神经功能衰退人群，相比表现出快乐或平静，更常表现出某些情绪，例如挫败感或情感平淡。研究人员通过在一个大型演员数据集上训练，开发了一种情绪语音分类模型，该数据集中的演员演绎了中性、平静、快乐和悲伤等情绪状态。
随后，研究人员在一个咳嗽数据库上训练了第三个神经网络，以识别肺部和呼吸功能的变化。
最后，该团队将三个模型整合在一起，并叠加了一种用于检测肌肉退化的算法。该算法的实现方式本质上是模拟一层音频掩蔽或噪声，并将能够穿透噪声被听到的强力咳嗽与较弱的咳嗽区分开来。
借助他们的新人工智能框架，该团队输入了包括阿尔茨海默病患者在内的音频录音，并发现其识别阿尔茨海默病样本的效果优于现有模型。结果表明，声带力量、情绪、肺部和呼吸功能以及肌肉退化共同构成了诊断该疾病的有效生物标志物。
随着新冠疫情开始蔓延，苏比拉纳思考，他们用于阿尔茨海默病的人工智能框架是否也能用于诊断新冠病毒感染，因为越来越多的证据表明，感染患者会出现一些相似的神经系统症状，例如暂时性神经肌肉损害。
“说话和咳嗽的声音都受到声带及周围器官的影响。这意味着，当你说话时，你的部分说话声与咳嗽相似，反之亦然。这也意味着，人工智能可以仅从咳嗽中获取我们从流畅语音中轻易推断出的信息，包括个人的性别、母语，甚至情绪状态。事实上，咳嗽方式中蕴含着情绪信息，”苏比拉纳表示。“因此我们想，为什么不尝试用这些阿尔茨海默病生物标志物［看看它们是否相关］来研究新冠病毒呢？”
“惊人的相似性”
今年4月，该团队着手尽可能多地收集咳嗽录音，包括新冠患者的录音。他们建立了一个网站，人们可以通过手机或其他支持网络的设备录制一系列咳嗽声。参与者还需填写一份问卷，说明自己正在经历的症状，无论其是否感染新冠病毒，以及其诊断方式是通过正式检测、医生根据症状作出的评估，还是自我诊断。参与者还可以填写性别、地理位置和母语。
截至目前，研究人员已收集到超过7万份录音，每份录音包含若干次咳嗽，共计约20万份用力咳嗽的音频样本。苏比拉纳表示，这是“我们所知的最大规模的研究用咳嗽数据集”。约2500份录音由确诊感染新冠病毒的人员（包括无症状者）提交。
该团队使用了这2500份与新冠相关的录音，以及从数据集中随机挑选的另外2500份录音，以平衡数据集。他们使用其中4000份样本训练人工智能模型，然后将剩余的1000份录音输入模型，以检验其能否准确区分新冠患者与健康人群的咳嗽声。
令人惊讶的是，正如研究人员在论文中所写，他们的工作揭示了“阿尔茨海默病与新冠识别之间存在惊人的相似性”。
在未对最初为阿尔茨海默病设计的人工智能框架进行大幅调整的情况下，他们发现该框架能够捕捉到四种生物标志物中的特定模式——声带力量、情绪、肺部和呼吸功能以及肌肉退化——这些模式是新冠病毒所特有的。该模型识别出98.5%来自确诊感染新冠病毒者的咳嗽声，并且在这些咳嗽声中，它准确检测出了所有无症状者的咳嗽声。
“我们认为，这表明即使你没有症状，感染新冠病毒后你发声的方式也会发生变化，”苏比拉纳表示。
无症状表现
苏比拉纳强调，该人工智能模型并非用于诊断有症状者，即无法判断其症状是由新冠病毒还是流感、哮喘等其他疾病引起。该工具的优势在于能够将无症状者的咳嗽与健康人群的咳嗽区分开来。
该团队正与一家公司合作，基于其人工智能模型开发一款免费的预筛查应用程序。他们还正与全球多家医院合作，以收集规模更大、更多样化的咳嗽录音，这将有助于训练模型并提高其准确性。
正如他们在论文中所提出的，“如果预筛查工具始终在后台运行并不断改进，大流行病或许将成为历史。”
最终，他们设想，像他们所开发的这类音频人工智能模型，可能会被整合到智能音箱及其他收听设备中，使人们能够便捷地每天或许都能获得一次对自身疾病风险的初步评估。
