新聞 > 科教 > 正文

100%準確率 MIT用咳嗽聲診斷無症狀感染者

有數據顯示,世界50%新冠(COVID-19)病例由無症狀感染者傳染。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,但通過機器學習和信號處理,AI能夠識別300多種。

在醫學領域,AI識別"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信息,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」來診斷阿爾茨海默症(AD)早期的患者。

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

阿爾茨海默病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絡模型。第一個神經網絡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;第二神經網絡用來區分言語中的情緒狀態。據了解,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。第三個神經網絡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能夠準確識別出AD患者。

基於此,當冠狀大流行開始蔓延後,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爾茨海默氏病AI模型,結果取得了驚人的發現。該AI模型不僅可以高精度識別出新冠感染患者,而且無症狀感染者的準確率更高。

無症狀感染者識別率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,允許所有人通過網絡瀏覽器、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,採用的仍然是阿爾茨海默氏症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係數(Mel Frequency Cepstrum Coefficient)進行轉換,並輸入到基於卷積神經網絡(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神經網絡構成。最終會輸出二進位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模型識別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識別出無症狀感染者。

據了解,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。

責任編輯: 李華   來源:雷鋒網 轉載請註明作者、出處並保持完整。

本文網址:https://tw.aboluowang.com/2020/1107/1520865.html

科教熱門

相關新聞

➕ 更多同類相關新聞