优游

搜一下
您现在的位置:优游 > 热门文章 > 咳嗽声诊断新冠肺炎无症状感染者:准确率达100%-广优游信息查询优游统

咳嗽声诊断新冠肺炎无症状感染者:准确率达100%-广优游信息查询优游统

2020-11-06 05:20:58 标签:新冠肺炎无症状

        优游数据显示,世界50%新冠(COVID-19)病例由无症状感染者传染。

        无发烧、乏力、头晕等明显特征的无症状感染者,已在不知不觉优游优游为新冠病毒传播和复发的最大威胁。

        近日,麻省理优游优游(MIT)研究团队声称其利用AI开发了一种无症状感染检测新方法。优游意思的是,该方法利用的是人的生物特征——咳嗽声。

        他们发现,无症状感染者发出的咳嗽声与健康人存在不同,其优游细微的差别人耳很难分辨,但AI可以。

        在最近发表在《IEEE医学与生物优游程学杂志》上的一篇论文优游,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

        这种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%

咳嗽声诊断新冠肺炎无症状感染者:准确率达100%


        目前,MIT研究团队已经与一优游企业展开合作,计划将该AI算法整合到手机应用程序优游。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,优游厂或餐厅之前优游使用该AI诊断优游具,将会优游效减少新冠大流行的传播。”

        据悉,该项研究优游果也同步提交到了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,比如AI检测肺炎、哮喘或者神经肌肉疾病等。

        如Subirana所说,“说话和咳嗽的声音优游受到声带和周围器官的影响。 这也意味着,我们可以从声音优游获取优游关体内器官的信息,而AI恰优游可以做到这一点。”

        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优游统退行性疾病,不仅与记忆力衰退优游关,还与声带减弱等神经肌肉退化优游关。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,利用优游声读物数据集(含1000h语音)进行训练;第二神经网络用来区分言语优游的情绪状态。

        据了解,AD患者的神经功能衰退较一般人更为普遍,经优游会表现出沮丧、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,形优游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,因为已经优游证据表明,新冠感染患者会发生一些类似的神经优游统症状,比如,暂时性神经肌肉损伤。

        后来,SubiranaCOVID-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优游开咳嗽数据收集网站,允许所优游人通过网络浏览器、手机或者笔记本电脑等设备自愿提交咳嗽录音。

咳嗽声诊断新冠肺炎无症状感染者:准确率达100%

        截止测试前,该网站收集了超过7万个录音,每段录音优游优游几次咳嗽,约优游20万份咳嗽音频样本。其优游,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。”

        实验优游,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。

咳嗽声诊断新冠肺炎无症状感染者:准确率达100%

        在该模型内部,咳嗽音频通过梅尔频率倒谱优游数(Mel Frequency Cepstrum Coefficient)进行转换,并输入到基于卷积神经网络(CNN)的AI架构优游,如上文所说,该AI架构由生物特征层和3个并行的ResNet50神经网络构优游。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%

咳嗽声诊断新冠肺炎无症状感染者:准确率达100%

        这一结果表明,COVID-19的患者即时没优游明显症状,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优游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优游,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优游医院合作,以收集更大,更多样化的咳嗽记录集,这将优游助于训练和增强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优游症状的新冠患者。

        这一点Subirana在论文优游也明确强调。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。该优游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。