新型冠状病毒的出现，真正打开了潘多拉魔盒。如今，新的变种不断出现，扰乱着整个地球人的生活。新冠前不戴口罩的生活可能再也回不去了。近日，科学家们有了新的发现，或许可以让我们在未来告别刺破喉咙的日子。在西班牙巴塞罗那举行的欧洲呼吸学会国际会议上，一项研究表明，AI可以通过手机应用程序采集的语音判断用户是否感染新冠肺炎。据NewsMedical报道，这项研究中使用的AI模型比快速抗原检测更便宜、更快、更易于使用，非常适合PCR检测昂贵的低收入国家。另外，这个AI还有一个更厉害的地方——更高的准确率。它比快速抗原测试准确89%。准确率为89%。研究团队使用的数据来自英国剑桥大学“新冠肺炎声音图书馆”APP。该应用程序包含来自4352名健康和不健康参与者的893个音频样本。研究结果表明，简单的录音和人工智能算法可以准确查明谁感染了COVID-19。小编还以为自己发现了宝藏APP，满怀期待的下载下来后，发现这款评分2.8的APP目前只是用来收集数据的。高情商：你为科学的发展做出了贡献。情商低：这个软件暂时没用。荷兰马斯特里赫特大学数据科学研究所研究员WafaaAljbawi女士在发布会上表示，AI模型在89%的情况下都是准确的，而侧流测试的准确率则因品牌而异品牌。门诊检测在检测无症状人群方面的准确性要低得多。这些有希望的结果表明，简单的录音和微调的AI算法可以在确定哪些患者感染了COVID-19时达到很高的准确性。此类测试可免费获得且易于解释。此外，它们还支持远程虚拟测试，周转时间不到一分钟。例如，它们可以用于大型集会的入口处，从而能够快速筛查人群。“马斯特里赫特大学数据科学研究所研究员WafaaAljbawi这个结果太令人兴奋了。这意味着：通过基本的语音记录和定制的AI算法，我们可以识别COVID-19感染患者。它是免费的，而且易于使用。编辑兴奋地搓着手：这是否意味着三天一刀的日子可以结束了？这个方法的原理是：感染了COVID-19后，人的上呼吸道和谐弦受到影响，改变了声音。为了测试这种方法的可行性，来自同一数据科学研究所的VisaraUrovi博士和马斯特里赫特大学医学中心的肺科医生SamiSimons博士也进行了测试。他们使用了来自剑桥大学众包COVID-19Sounds应用程序的信息，包括来自4,352名健康和不健康受试者的893个音频样本，其中308人的COVID-19检测呈阳性。测试时，用户将APP下载到手机后，会开始记录呼吸音。在这个过程中，你要咳嗽3次，然后用嘴深呼吸3到5次，然后把屏幕上的一句话读3遍。研究人员采用了一种称为梅尔频谱图分析的语音分析方法，该技术可以识别不同的语音特征，例如响度、功率和随时间的变化。“通过这种方式，我们可以分解受试者声音的许多属性，”Aljbawi女士说。“为了区分COVID-19患者和未患病患者的声音，我们建立了不同的人工智能模型，并评估了哪一种模型最适合对COVID-19病例进行分类。”他们发现一种称为长短期记忆(LSTM)模型的方法明显优于其他模型。LSTM基于神经网络，它模仿人脑识别数据中潜在关系的工作方式。因为它适用于序列，所以它非常适合对随时间收集的信号进行建模，例如从语音中收集的信号，因为它能够将数据存储在内存中。它的总体准确率为89%，正确识别阳性病例的能力为89%（真阳性率，或“敏感性”），正确识别阴性病例的能力为83%（真阴性率，或“特异性”）.COVID-19患者和健康人的咳嗽序列图这些结果表明，与横向流动测试等最先进的测试相比，LSTM模型在诊断COVID-19方面的准确性有了显着提高。对比结果可以用一句话概括：LSTM模型对阳性的识别率更高，但也更容易将阴性误诊为阳性。具体来说，侧流检测的灵敏度仅为56%，但特异性更高，达到99.5%，因此侧流检测会更频繁地将阳性检测为阴性。使用LSTM模型可能会漏掉100个中的11个，而侧流测试会漏掉100个中的44个。侧流测试的高特异性意味着10个阴性中只有1个会被误诊为阳性，而LSTM测试有误诊率更高，将100个阴性中的17个误诊为阳性。但由于该测试实际上是免费的，因此如果LSTM显示阳性，则可以对人们进行PCR测试。所以后者影响不大。目前，研究人员还在进一步验证他们的结果。他们使用大量数据。自实验开始以来，他们收集了来自36,116个人的53,449个音频样本，可用于增强和验证模型的准确性。此外，他们正在进行其他研究，以确定语音的其他哪些因素会影响AI模型。在2021年6月的一篇相关论文中，研究人员着手探索将AI模型用作COVID-19自动筛查工具时的可信度。在INTERSPEECH2021接受的这篇论文中，他们尝试将不确定性估计与深度学习模型相结合，以从声音中检测COVID-19。论文地址：https://arxiv.org/pdf/2104.02005.pdf在论文中，研究人员分析了330个阳性受试者和919个阴性受试者的子集。他们提出了一个集成学习框架，解决了训练阶段数据不平衡的常见问题，并在推理过程中提供了预测不确定性，具体化为模型集成产生的预测的方差。主干模型是一个名为VGGish1的预训练卷积网络，经过修改以接收三种声音的频谱图作为输入。在这项工作中，10个深度学习模型被训练并聚合成一个集成模型，产生的AUC为0.74，灵敏度为0.68，特异性为0.69，优于每个模型。一方面，验证了深度学习对基于音频的COVID-19检测的手工特征的优越性。另一方面，随着样本被更有效地利用，SVM的集成进一步提高了单个SVM模型的性能。错误的预测通常会产生更高的不确定性（见左上图），因此可以使用经验不确定性阈值来建议用户在电话上重复音频测试，或者如果数字诊断仍然失败则进行额外的临床测试（见右上图）).通过将不确定性纳入自动诊断系统，可以实现更好的风险管理和更稳健的决策。2021年11月，研究人员在NeurIPS2021上发布了一个全面的大型COVID-19音频数据集，由36,116名参与者众包的53,449个音频样本（总共超过552小时）组成。相关论文已被NeurIPS2021DatasetTrack录用发表。在论文中，研究人员展示了ROC-AUC在呼吸道症状预测和COVID-19预测任务上的性能超过0.7，证实了基于这些类型数据集的机器学习方法的前景。2022年6月，研究人员希望探索纵向音频样本预测COVID-19随时间进展的潜力，尤其是使用顺序深度学习预测恢复趋势。该论文发表在数字医学与健康领域的期刊JMIR上。这项研究可以说是第一项探索用于COVID-19疾病进展预测的纵向音频动力学的工作。论文地址：https://www.jmir.org/2022/6/e37004为了探索个人历史音频生物标记的音频动态，研究人员开发并验证了一种使用门控循环单元(GRU)检测COVID-19的方法。疾病进展的深度学习方法。所提出的模型包括一个名为VGGish的预训练卷积网络，用于提取高级音频信息，以及一个GRU，用于捕获纵向音频样本的时间依赖性。结果发现，所提出的系统在区分COVID-19正负音频样本方面表现良好。在这一系列的研究中，还出现了党霆、景涵、童霞等中国学者。或许，我们离可以用APP检测新冠的那一天不远了。参考：https://www.techtimes.com/articles/280123/20220905/new-ai-ai-model-detect-covid-19-persons-voice-mobile-phone-app.htmhttps://www.cnbeta。com/articles/tech/1313093.htmhttps://www.covid-19-sounds.org/en/blog.html
