結合呼吸音和咳嗽音，AI 識別陽性冠狀病毒病例的成功率可達 80％

技術編輯：徐九丨發佈自：思否編輯部

相信你們都作過至少一次咽拭子核酸檢測，口咽拭子採樣還好，鼻咽拭子採樣的感受簡直是酸爽。

或許是爲了解決這一問題，不少高校組織都在研究一種新的檢測方式 —— 藉助 AI 算法，結合呼吸音和咳嗽音來進行檢測。根據最新的一組數據顯示，在通過官方檢測呈陽性的患者中準確率達到了 98.5% ，在無症狀的人中成功率達到了100% 。

1、來自頂級高校的科研力量

目前研究 AI 聲音檢測模型的主要是三家美國的高校組織 —— 劍橋大學、麻省理工學院以及卡內基梅隆大學。

一、麻省理工學院

目前準確率最高的算法模型就是由麻省理工學院（MIT）實驗室構建的。麻省理工學院的科學家布萊恩·蘇比拉納是這個項目的論文做者之一。在這篇發表在《IEEE 醫學與生物工程雜誌》上的論文中，他表示: 「當人們感染了 Covid，即便沒有臨牀症狀，發聲的方式也會發生變化。」

目前麻省理工學院的實驗室已經收集了大約 7 萬個含有咳嗽音的音頻樣本，其中 2,500 例來自確診冠狀病毒感染的患者。

據悉，該 AI 模型彷佛已經具有了基於聲音強度、情緒、肺和呼吸功能、以及肌肉退化的細微模式變化，來分析和識別出新冠疫情無症狀感染者的能力。

二、劍橋大學

早在今年 4 月份，劍橋大學便啓動了這一 AI 檢測項目，經過公開渠道向市民收集相關數據。市民可對着電腦的麥克風呼吸和咳嗽，並提供他們的年齡、性別、大體位置，以及最近是否對冠狀病毒呈陽性反應的詳細資料，而後被要求讀三次: 「我但願個人數據可以幫助管理病毒大流行。」

據悉在公告的第一天，大約 1200 人提供了完整的錄音，其中 22 人表示最近檢測呈陽性。

目前，該項目僅限於經過網站收集樣本，而不是經過智能手機應用程序。這在必定程度上是由於蘋果和谷歌正在限制誰能夠在他們的商店發佈冠狀病毒相關的應用程序，而這種努力尚未達到標準。

三、卡內基梅隆大學

卡內基梅隆大學也有着相似的研究項目。他們研發的疫情語音檢測器是創建在匹茲堡大學早期語音分析工做的基礎上的。卡內基大學的項目於今年 3 月上線，一樣要求用戶提供咳嗽音，但不一樣的是還要求用戶背誦一遍字母表，並提供本身的詳細信息。

2、技術背後的風險

一、誤診

卡內基梅隆大學的項目曾經被主動暫停過一段時間。

項目團隊成員之一的麗塔 · 辛格博士對此給出的緣由是: 「無論咱們在產品中貼出多少免責聲明，也無論如何清楚地告訴用戶這種檢測方式並無通過醫學驗證，但仍有些人會把這種結果當成確診的結果。」

雖然麗塔博士的測試場景是在美國，但放到國內可能也會出現相似的狀況，就像不是全部人都能分清「建議」與「意見」。

若是 AI 告訴一個感染了病毒的人他沒有感染病毒，那這我的很大程度會掉以輕心，而當出現臨牀反應時第一反應就是找提供健康檢測結果的平臺究責；若是 AI 告訴一個健康的人他感染了這種病毒，可能也會致使相似的結果。

所以，涉及到醫療領域的 AI 模型幾乎沒有任何犯錯的餘地，麗塔博士表示在正式應用前必定要經過技術方法消除這些風險。

二、被遺忘權

另外一件事，就是被遺忘的權利，用戶應該有能力在多年後再來找到收集信息的平臺，按下一個按鈕，即可以刪除本身的聲音樣本。

但被遺忘權在當前互聯網環境下，幾乎是不可能實現的，這也致使這種須要收集處理用戶敏感且沒法修改的生理信息的方式，很難大面積的推行。

三、數據差別

數據差別化問題是由一位聲音識別專家提出的。Audio Analytic 的產品是一款聲音識別軟件框架，能夠經過聲音來理解上下文的能力。該公司的首席執行官 Chris Mitchell 針對這類項目表示: 「因爲英國米德蘭和倫敦正在經歷最嚴重的疾病疫情，但兩地的人們發聲方式的存在着區域性的差別，這也意味着除非對數據進行嚴格控制，不然 AI 模型可能不能適配某些特殊的地區，從而產生不當影響。」

四、信息收集過程

信息收集的過程是一項很難控制的技術性的挑戰，由於聲音的不可控與不可量化的特性，在用戶自主上傳樣本的階段，不使用專業麥克風或者收音方式的狀況下，獲取符合規範的聲音樣本是很是困難的。由於

3、AI 的又一經典之做

人工智能專家 Calum Chace 是哲學科幻小說《潘多拉的大腦》的做者，他將這種基於聲音進行檢測的 AI 算法描述爲「人工智能的經典之做」：

「這和給 AI 輸入大量 x 光樣本以便它學會檢測癌症的原理是同樣的，這是 AI 能發揮能力的一個例子。並且在此次實踐中，我沒有看到太多負面的反饋。」

人工智能的計算結果經常是隨機的，不可解釋的。可是從某種角度來講，這也是一個必然的過程。從人工智能領域來講，打破黑盒子，解釋並給出解決方案，是一個探索過程，也是藉助科技改變世界的方式。