新冠无症状感染者由于没有明显的发热、咳嗽等症状而难于与普通人群区分开，这为阻断疫情传播带来一定的难度。不过日前，来自美国麻省理工学院（MIT）的研究人员称研发出了一种可以识别新冠肺炎患者咳嗽声的AI模型，可以通过分析咳嗽录音将无症状感染者与健康人区分开来。这篇题为《COVID-19 Artificial Intelligence Diagnosis using only Cough Recordings》的论文日前发表在《IEEE 医学与生物学工程学杂志》上。
在医学领域，AI识别“咳嗽声”已用于多项疾病如肺炎、哮喘、阿尔茨海默症等的检测，这些疾病会导致机体功能退化，如声带减弱、呼吸功能下降等，虽然人耳难以辨识，但通过机器学习和信号处理，AI能够识出这其中的差别，而越来越多的证据表明，感染新冠病毒的患者也会出现类似的机体功能变化。
MIT研究人员此次开发的AI模型正是基于该团队此前用来诊断阿尔茨海默症早期患者的AI模型，疫情爆发后，该团队意识到或许可以利用其识别COVID-19无症状感染者。
今年4月，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。截止目前，该网站收集了超过7万个录音，包含约 20 万份咳嗽音频样本，其中约有2500 多个样本是由已经确诊新冠的患者提交的。
AI 模型则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。具体来说，研究人员训练了三个神经网络模型，分别用来提取声带强弱特征、区分言语中情绪状态以及在自建的咳嗽数据集上学习，辨别肺和呼吸功能的变化。
研究人员选取了2500个新冠确诊咳嗽音频样本和另外2500个随机咳嗽音频样本，并使用其中4000个样本来训练 AI 模型，用剩余的1000个进行模型准确度的检测。
检测结果显示，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患者。该模型在聆听确诊病例的录音时准确率可达98.5%，在聆听无症状患者咳嗽的录音时准确率更是高达100%。而且该模型的特异性也已分别达到83%和94%，基本没有大量的假阳性或假阴性报告。
“我们认为这表明当患有新冠肺炎时，人产生声音的方式会发生变化，即使没有症状。”麻省理工学院自动识别实验室的研究科学家Brian Subirana表示，并补充道，“尽管该系统擅长于非健康咳嗽的监测，但大家还是不要轻易将之视作确诊的权威工具。”他们发现，无症状感染者发出的咳嗽声与健康人存在不同，其中细微的差别人耳很难分辨，但AI可以。
在最近发表在《IEEE医学与生物工程学杂志》上的一篇论文中，MIT研究人员明确表示，他们已经开发出一种能够识别COVID-19咳嗽声的AI。该AI算法已通过迄今为止最大的咳嗽数据集测试，无症状感染者的诊断准确率可达到100%。
目前，MIT研究团队已经与一家企业展开合作，计划将该AI算法整合到手机应用程序中。项目负责人布莱恩·苏比拉纳（Brian Subirana）表示：如果每个人在去教室，工厂或餐厅之前都使用该AI诊断工具，将会有效减少新冠大流行的传播。”据悉，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，COVID-19咳嗽应用程序将免费用于大规模人群筛查。
利用“咳嗽声”诊断疾病
人耳能够分辨出五到十种不同的咳嗽特征，但通过机器学习和信号处理，AI能够识别300多种。在医学领域，AI识别「咳嗽声」已用于多项疾病检测任务。比AI检测肺炎，哮喘或者神经肌肉疾病等。如Subirana所说，“说话和咳嗽的声音都受到声带和周围器官的影响。 这也意味着，我们可以从声音中获取有关体内器官的信息，而AI恰好可以做到这一点。”因此，在疫情爆发之前，MIT研究团队已经在尝试利用AI辨“音”来诊断阿尔茨海默症（AD）早期的患者。需要注意的是，正是通过这项研究，研究人员发现了识别COVID-19无症状感染者的可能性，并提供了AI算法支持。
阿尔茨海默病是一种神经系统退行性疾病，不仅与记忆力衰退有关，还与声带减弱等神经肌肉退化有关。因此，研究人员开发了一种通用的机器学习算法（或称为ResNet50的神经网络），来区分与不同声带强度所产生的声音。
具体来说，他们训练了三个神经网络模型。第一个神经网络代表一个人声带的强弱，利用有声读物数据集（含1000h语音）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，AD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。
最后将三种模型结合起来，形成了一个用于检测肌肉退化的AI框架。研究人员经过检测发现，基于声带强度、情绪、肺和呼吸功能等生物特征，该AI能够准确识别出AD患者。
基于此，当冠状大流行开始蔓延后，Subirana开始思考是否可以利用AI诊断COVID-19，因为已经有证据表明，新冠感染患者会发生一些类似的神经系统症状，比如，暂时性神经肌肉损伤。
后来，Subirana在COVID-19咳嗽数据集上训练了阿尔茨海默氏病AI模型，结果取得了惊人的发现。该AI模型不仅可以高精度识别出新冠感染患者，而且无症状感染者的准确率更高。
无症状感染者识别率100%
AI模型和数据集是决定疾病诊断准确率的两项关键指标。
今年4月，MIT研究人员建立了一个公开咳嗽数据收集网站，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。
网站地址：https://opensigma.mit.edu/
截止测试前，该网站收集了超过7万个录音，每段录音中有几次咳嗽，约有20万份咳嗽音频样本。其中，2500多个样本是由已经确诊患者提交的，包括那些无症状感染者。
Subirana称：“在医疗领域，这是迄今为止最大的咳嗽数据集”。
实验中，研究人员使用2500个感染患者的音频样本，以及另外2500个随机样本，对AI模型进行训练。然后利用其余的1000张录音作为检测数据，来查看它是否能准确地辨别出COVID-19患者和健康人的咳嗽。
在模型方面，采用的仍然是阿尔茨海默氏症AI模型，并且同样以声带强度、情绪、肺和呼吸四项生物特征作为诊断COVID-19感染患者的标准。
在该模型内部，咳嗽音频通过梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient）进行转换，并输入到基于卷积神经网络（CNN）的AI架构中，如上文所说，该AI架构由生物特征层和3个并行的ResNet50神经网络构成。最终会输出二进制形式的预筛查诊断结果。
基于以上两个方面，研究人员对其进行了测试，结果发现AI模型识别COVID-19患者的准确率为98.5％，无症状感染者的准确率为100%。
论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp= arnumber;=9208795
这一结果表明，COVID-19的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。
据了解，MIT的团队已经在考虑与相关企业合作将该AI模型整合到手机应用程序中，以便人们可以方便地对疾病风险进行初步评估。
与此同时，研究人员也开始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，这将有助于训练和增强AI模型的准确性。
不过，需要强调的是，该AI模型的优势不在于检测有症状的新冠患者。
这一点Subirana在论文中也明确强调。他说，不管他们的症状是由COVID-19还是其他症状（如流感或哮喘）引起的。该工具的优势在于它能够分辨无症状感染者的咳嗽和健康人的咳嗽。
引用链接：
https://spectrum.ieee.org/the-human-os/artificial-intelligence/medical-ai/ai-recognizes-covid-19-in-the-sound-of-a-cough
https://news.mit.edu/2020/covid-19-cough-cellphone-detection-1029
https://www.embs.org/ojemb/articles/covid-19-artificial-intelligence-diagnosis-using-only-cough-recordings/
