告別捅嗓子？ AI手機程式透過聲音偵測新冠，準確率已達89%

不知道大家對做核酸怎麼看，反正文摘菌的喉嚨已經起繭了。

不過為了防疫大局，也為了知道確定自己的健康狀況，透過核酸確認自己沒有感染新冠又在所難免。

等等……有沒有其他方法可以偵測自己有沒有中招？

最好還是不用出門的那種。

你別說，這樣的技術還真有可能出現。

9月8日在西班牙巴塞隆納舉行的歐洲呼吸學會國際大會(European Respiratory Society International Congress)上發表的一項研究表明，一款手機應用程式借助人工智慧，可以透過你的聲音判斷中是否感染了新冠肺炎。

目前，此模型的準確率已經達到89%。

這是不是意味著，將來在家上傳自己的聲音，就可以代替做核酸了？想想都覺得美妙…

#透過聲音分辨你是否是陽性，效果優於快速抗原檢測

新冠肺炎會影響上呼吸道和聲帶，導致人的聲音改變。

在這基礎上，馬斯特里赫特大學資料科學研究所(Institute of Data Science)的Wafaa Aljbawi女士和她的上司，馬斯特里赫特大學醫學中心的肺部疾病專家Sami Simon 博士，以及同樣來自資料科學研究所的Visara Urovi博士，決定研究是否有可能使用人工智慧來分析聲音以檢測新冠陽性。

他們使用了劍橋大學的COVID-19聲音應用程式的數據，該應用程式包含4352名健康和非健康參與者的893個音訊樣本，其中308人的新冠檢測呈陽性。

該應用程式安裝在用戶的手機上，參與者報告一些人口統計、病史和吸煙狀況等基本信息，然後被要求記錄一些呼吸聲音，包括咳嗽三次，用嘴巴深呼吸三到五次，在螢幕上讀短句子三次。

研究人員使用了一種名為「梅爾譜圖分析（Mel-spectrogram）」的語音分析技術，該技術可以識別不同的語音特徵，如響度、頻率和隨時間的變化。

「透過這種方式，我們可以分解參與者聲音的許多屬性，」Aljbawi女士說。 「為了區分新冠病毒陽性患者和陰性正常人群的聲音，我們建立了不同的人工智慧模型，並評估哪一種模型最適合分類這些病例。」

他們發現LSTM模型優於其他模型。 LSTM基於神經網絡，它模擬人腦的運作方式，並識別數據中的潛在關係。它擅長時序分析，這使得它適合對隨著時間的推移收集的訊號進行建模，例如聲音。

最終，此模型的整體準確率為89% ，正確檢出陽性病例(真陽性)的能力為89% ，正確辨識陰性病例(真陰性)的能力為83% 。

「這些結果顯示，與橫向流動試驗等最先進的檢測方法相比，診斷新冠病毒疾病的準確性有了顯著提高，」Aljbawi表示，「側流檢測法(快速抗原檢測)的準確率僅為56%，但特異性更高，達99.5%。這一點很重要，因為它意味著快速抗原檢測將感染者錯誤地分類為陰性的情況比我們的測試更為常見。換句話說，使用AI LSTM模型，我們可能會漏掉11/100的病例，這些病例會繼續傳播感染，而快速抗原檢測將會漏掉44/100的病例。」

該做核酸還是得做核酸

之所以跟快速抗原檢測相比，是因為許多國家目前已經不再進行免費的核酸病毒檢測——也就是國內進行的大規模核酸檢測。

核酸病毒檢測是對採集的病毒核酸進行直接檢測，具有特異性強、靈敏度高的特點，是新型冠狀病毒檢測的主要方法。

快速抗原檢測相對來說要簡單一些，可以自己完成，主要透過檢測病毒的抗原來進行分辨，可以作為新型冠狀病毒診斷的主要依據之一，但是準確率相對來說低一些。

許多國家目前都以發放快速抗原自測包為主，抗原檢測呈陽性的才會要求做進一步檢測。

#

當然，因為這種自測包相對來說操作難度還是有的，所以準確率不太高，因此如果能夠通過聲音來判斷是陽性，那既可以節省資源，又能夠獲得相對準確的結果，確實是一件好事。

所以說，儘管在假陽性方面，AI表現比較差，會有17%的人被誤診為陽性，但是可以把它作為初篩手段，讓聲音檢測呈陽性的，再去進行下一步檢測。

並且，這項技術針對的更多是核酸檢測昂貴和/或難以分發的低收入國家。

至於我們，該做核酸還是得做核酸…

外，研究人員說，他們的結果還需要大量的數據來驗證，自該計畫開始以來，從36116名參與者收集了53449個音訊樣本，可用於改進和驗證模型的準確性。他們也正在進行進一步分析，以了解語音中的哪些參數正在影響人工智慧模型。

相關報告：

https://www.news-medical.net/news/20220905/AI-model-detects-COVID-19-infection-in -peoplee28099s-voices.aspx

以上是告別捅嗓子？ AI手機程式透過聲音偵測新冠，準確率已達89%的詳細內容。更多資訊請關注PHP中文網其他相關文章！