智東西（公眾號：zhidxcom）
編 | 董溫淑
智東西4月29日消息，近日，麻省理工學院Auto-ID Labs研究小組研發了一個基于語音的新冠肺炎AI檢測工具——Sigma。Sigma可以“聽”出健康人和新冠肺炎患者咳嗽聲的差別，從而區分出用戶是否感染了COVID-19。
與之前的AI抗疫方案不同的是，研究小組希望用“眾包”的方式獲取模型訓練數據，并根據實時訓練數據同步更新模型。
4月9日，研究小組在學術網站arXiv上發表文章介紹Sigma計劃，文章名稱為《“嗨Sigma，我感染了冠狀病毒嗎？”呼吁用新的AI方法來支持應對新冠病毒大流行的專業醫療保健人員（“Hi Sigma，do I have the Coronavirus?”：Call for a New Artificial Intelligence Approach to Support Health Care Professionals Dealing With The COVID-19 Pandemi）》。
論文鏈接：
目前這項研究還在持續推進，研究進展在//opensigma.mit.edu網站更新。
一、語音識別算法能“認出”肺炎患者咳嗽聲
截至4月22日，全球新冠肺炎累計確診人數已經超過250萬，死亡人數超17萬。巨大的感染者基數使醫療系統不堪重負，疑似病例檢測同樣需要占用醫療資源。在這種情況下，已經有許多研究機構推出AI解決方案，協助醫療人員進行COVID-19檢測或提供預檢。
但是，麻省理工學院Auto-ID Labs研究小組指出，現有的研究要么使用靜態數據集、要么在大企業牽頭下進行，都具有一定局限性。靜態數據集難以反映出疫情的發展變化，大公司牽頭的方案也因隱私風險而飽受質疑。
Auto-ID Labs研究小組試圖解決這些問題。最終，他們從之前的一項研究中得到了靈感。該研究證明，AI模型可以通過咳嗽聲錄音，區分出肺炎患者與正常人，哪怕是來自廉價手機的錄音也不會影響判斷結果。
對新冠病毒感染者咳嗽聲的研究也得出了相同結論。
AI模型可識別出健康人咳嗽聲和感染者咳嗽聲的不同
在針對神經類疾病患者的另一項研究中，語音識別算法也比人類專家更早判斷出病人發病情況（樣本量小于50的精神病患者和樣本量小于1000的認知障礙患者）。
因此，研究小組提議，可以設計一款AI語音識別工具，并用大規模收集的實時數據對其進行訓練。
經過幾次嘗試，研究小組打造出了AI語音識別模型Sigma。
二、模型搭建：基于CNN，學會區分健康人和肺炎患者
Sigma模型基于一個卷積神經網絡（CNN，convolutional neural network）進行訓練。
首先，研究人員利用一個日常談話數據庫對CNN模型進行預訓練；
然后，研究人員用大量相似但不同的數據訓練模型。這一過程被稱為遷移學習，可以提高模型的預測能力。
在遷移學習的第一階段中，模型需要學習分辨咳嗽和不咳嗽的聲紋。研究人員認為這一階段最為重要，因此，他們比較了支持向量機（SVM）、K-近鄰算法（k-Nearest Neighbors algorithm）、隨機森林（Random Fores）、邏輯回歸（Logistic Regression）這4種淺層機器學習算法的準確性，試圖找出最佳方案。
結果顯示，邏輯回歸算法的準確性最高。
4種算法準確性比較
接下來，研究人員利用不到200個樣本數據，借助主成分分析方法（Principal Component Analysis）制作出一個圖表，對健康人咳嗽和新冠肺炎咳嗽分別進行了聚類分析（Cluster analysis），提取兩種咳嗽的特征。
COVID-19感染者咳嗽聲的特征
文章中并未給出準確率數值，但寫到經過遷移學習后，Sigma模型能夠主動區分出這兩類人群。
三、模型發展：用大規模實時數據進行遷移學習
為了進一步提升Sigma模型的準確性，研究人員計劃在未來收集大量真實數據，讓模型進行深入遷移學習。他們強調：“如果我們有更多的臨床數據和志愿者，我們就可以做更多”。
他們將從4個主要渠道獲取信息：招募150名新冠肺炎患者和3000名接觸者，同時固定收集墨西哥、西班牙和美國這三個國家的感染者咳嗽聲音頻。
此外，研究人員呼吁更多新冠肺炎患者通過社交媒體渠道提交錄音。文章中寫明了對錄音的要求：
1、錄制內容可以是咳嗽聲、數字從0到9或語氣詞“Ommmmmmmmm”；
2、錄音時長為12秒。
研究人員稱，如果能夠建立一個足夠大的實時數據來源，Sigma模型還能被開發出更多功能：
對于已經確診新冠肺炎、但在居家隔離的患者來說，Sigma可以進行一項縱向音頻測試，為用戶提供是否需要醫院就診的建議；Sigma還可以篩選出病情最嚴重的新冠肺炎患者，優先為他們分配重癥監護病房。
結語：Sigma模型更為精確，期待早日落地
麻省理工學院Auto-ID Labs研究小組推出的Sigma模型利用大量實時數據進行訓練，相比于傳統的AI訓練方法更為精確，或能輔助醫生做出臨床決策。
目前這個計劃還在進行中，期待它能夠盡快臻于成熟，在抗疫進程中發揮作用。
文章來源：arXiv
