新冠病毒的出現，真算打開了潘朵拉的魔盒。
如今不斷新出現的變種，打亂了整個地球人的生活。新冠之前那種不戴口罩的生活，也許再也回不去了。
最近，科學家有了一個新發現，或許未來可以讓我們告別捅嗓子眼兒的日子。
在西班牙巴塞隆納舉行的歐洲呼吸學會國際會議上，一項研究顯示，AI可透過手機應用程式收集到的聲音，判斷用戶有沒有感染新冠肺炎。
根據News Medical的報告，本研究中使用的AI模型比快速抗原檢測更便宜、更快、更容易使用，非常適用於PCR檢測昂貴的低收入國家。
此外，這個AI還有一個更厲害的地方－準確率更高。比起快速抗原測試，它的準確率能達到89%。
研究團隊使用了英國劍橋大學「新冠肺炎聲音庫」APP的數據，該應用程式包含來自4352名健康和非健康參與者的893個音頻樣本。研究結果表明，簡單的語音記錄和AI演算法可以精確地確定哪些人感染新冠肺炎。
小編以為發現寶藏APP了，滿心期待地下載之後發現，這款評分2.8的應用，目前只是用來收集數據的。
高情商：你為科學的發展出了一份力。
低情商：這軟體暫時卵用沒有。
荷蘭馬斯特里赫特大學資料科學研究所研究員Wafaa Aljbawi女士在大會上表示，AI模型在89%的情況下是準確的，而橫向流動測試的準確度就因品牌而異了，而且，橫向流動測試在檢測無症狀人群時，準確性要低得多。
這些有希望的結果表明，簡單的錄音和微調的 AI 演算法可能會在確定哪些患者感染 COVID-19方面實現高精度。此類測試可以免費提供，並且易於解釋。此外，它們支援遠端虛擬測試，週轉時間不到一分鐘。例如，它們可以用於大型集會的入口點，從而能夠快速篩選人群。 」
Wafaa Aljbawi，研究員，數據科學研究所，馬斯特里赫特大學
這個結果太令人興奮了。這意味著：透過基本語音記錄和客製化AI演算法，我們就可以以很高的精度識別COVID-19感染患者。又免費，又好用。小編興奮地搓手：這是不是意味著，三天一捅的日子可以結束了？
這個方法的原理是：感染COVID-19後，人類的上呼吸道和聲帶會受到影響，從而改變聲音。
為了驗證這個方法的可行性，來自同一數據科學研究所的Visara Urovi博士和馬斯特里赫特大學醫學中心的肺病學家Sami Simons博士也進行了測試。
他們使用了來自劍橋大學的眾包COVID-19Sounds 應用程式的信息，包括來自4,352名健康與不健康受試者的893個音訊樣本，這其中，有308人的COVID-19測試結果是陽性的。
測試時，用戶將APP下載到手機後，就要開始記錄呼吸音。這個過程中，要先咳嗽3次，再用嘴深呼吸3到5次，然後在屏幕上讀一個簡短的句子3次。
研究人員採用了一種稱為梅爾譜圖分析的語音分析方法，該技術可以識別不同的語音特徵，例如響度、功率和隨時間的變化。
「透過這種方式，我們可以分解被試聲音的許多屬性，」 Aljbawi 女士說。 「為了區分COVID-19患者和未患病者的聲音，我們建立了不同的人工智慧模型，並評估了哪一個模型最適合對COVID-19病例進行分類。」
他們發現，一種被稱為長短期記憶（LSTM）的模型顯著優於其他模型。 LSTM基於神經網絡，它會模仿人腦的運作方式，識別出數據中的潛在關係。因為適用於序列，所以它很適合對隨時間收集的訊號進行建模，例如從語音中收集的訊號，因為它能夠將資料儲存在記憶體中。
其整體準確率為89%，正確識別陽性病例的能力（真陽性率或「敏感性」）為89%，正確識別陰性病例的能力（真陰性率或「特異性」）為83%。
這些結果表明，與橫向流動測試等最先進的測試相比，LSTM模型診斷 COVID-19 的準確性有了顯著提高。
比較結果可以用一句話總結：LSTM模型對於陽性的辨識率更高，但是也更容易把陰性誤診為陽性。
具體來說，橫向流動測試的敏感度僅為 56%，但特異性更高，為 99.5%，因此橫向流動測試會更頻繁地將陽性誤測為陰性。使用LSTM模型可能會錯過100個病例中的11個，而側向流測試則會錯過100個病例中的44個。
橫向流動測試的高特異性，意味著只有1/10的陰性會被誤診為陽性，而LSTM測試的誤診率更高，會把100名陰性中的17個誤診為陽性。但是，由於測試實際上是免費的，如果LSTM顯示是陽性，可以再讓人們進行PCR測試。所以後者的影響不大。
目前，研究人員也正在進一步驗證他們的結果。他們使用了大量數據。自實驗開始以來，他們已經收集了來自36,116個人的53,449個音訊樣本，可用於增強和驗證模型的準確性。另外，他們也正在進行其他研究，來確定還有哪些語音的因素會影響 AI 模型。
2021年6月，研究人員開始探索使用AI模型用作COVID-19的自動篩選工具時，可以在多大程度上被信任。在這篇被INTERSPEECH 2021接收的論文中，他們試著將不確定性估計與深度學習模型結合，從聲音中偵測COVID-19。
論文地址：https://arxiv.org/pdf/2104.02005.pdf
在論文中，研究人員分析了330名陽性和919名陰性被試的子集。
他們提出了一個整合學習框架，該框架在訓練階段解決了資料不平衡的常見問題，並在推理期間提供了預測不確定性，具體化為模型整合產生的預測的變異數。主幹模型是一個名為 VGGish 1的預訓練卷積網絡，經過修改以接收三種聲音的頻譜圖作為輸入。
在這項工作中，10個深度學習模型被訓練並聚合成一個整合模型，產生0.74的AUC，靈敏度為0.68，特異性為0.69，優於每個模型。一方面，驗證了深度學習對基於音訊的COVID-19檢測的手工製作特徵的優越性。另一方面，展示了 SVM的整合進一步提高了單一SVM模型的性能，因為樣本被更有效地利用。
錯誤的預測通常會產生更高的不確定性（參加左上圖），因此能夠利用經驗不確定性閾值來建議用戶在手機上重複音訊測試或在數位診斷仍然失敗時進行額外的臨床測試（參見右上圖）。透過將不確定性納入自動診斷系統，可以實現更好的風險管理和更穩健的決策。
2021年11月，研究人員在NeurIPS 2021中發布了全面的大規模COVID-19音訊資料集，由36,116 名參與者眾包的53,449個音訊樣本（總共超過552小時）組成。相關論文已被NeurIPS 2021 Dataset Track接受發表。
在論文中，研究人員展示了ROC-AUC在呼吸道症狀預測和COVID-19預測任務上超過0.7的效能，證實了基於這些類型資料集的機器學習方法的前景。
2022年6月，研究人員希望探索縱向音訊樣本隨著時間的推移對COVID-19進展預測的潛力，尤其是使用順序深度學習進行恢復趨勢預測。論文發表在數位醫學與健康領域的期刊JMIR。這項研究可以說是探索COVID-19疾病進展預測的縱向音頻動力學的第一項工作。
論文地址：https://www.jmir.org/2022/6/e37004
為了探索個人歷史音訊生物標誌物的音訊動態，研究人員開發並驗證了一種使用門控循環單元(GRU) 檢測COVID-19疾病進展的深度學習方法。
所提出的模型包括一個名為VGGish的預訓練卷積網絡，用於提取高級音頻信息，以及GRU用於捕獲縱向音頻樣本的時間依賴性。
研究發現，所提出的系統在區分COVID-19陽性和陰性音訊樣本方面表現出色。
這一系列研究中，也出現了Ting Dang、Jing Han、Tong Xia等中國學者的身影。
也許，我們離用app就能偵測新冠的日子已經不遠了。
以上是對著手機咳嗽一聲，就能偵測新冠了？還是劍橋大學出品的詳細內容。更多資訊請關注PHP中文網其他相關文章！
