AI模型detects Covid-19 infections through coughs

Asymptomatic people who are infected withCovid-19通过定义表现出疾病的遗传症状。因此，它们不太可能寻求对病毒的测试，并且可能在不知不觉中传播对他人的感染。

But it seems those who are asymptomatic may not be entirely free of changes wrought by the virus. MIT researchers have now found that people who are asymptomatic may differ from healthy individuals in the way that they cough. These differences are not decipherable to the human ear. But it turns out that they can be picked up by artificial intelligence.

The team reports on anAI模型通过强制咳嗽记录将来自健康人员的无症状人员区分开，人们通过网络浏览器和手机和笔记本电脑等设备自愿提交。

The researchers trained the model on tens of thousands of samples of coughs, as well as spoken words. When they fed the model new cough recordings, it accurately identified 98.5 percent of coughs from people who were confirmed to have Covid-19, including 100 percent of coughs from asymptomatics — who reported they did not have symptoms but had tested positive for the virus.

该团队正在努力将该模型纳入用户友好的应用程序，如果FDA批准和在大规模上采用，可能是一个免费，方便，无创的预筛选工具，以识别可能对Covid-19无症状的人。。用户可以每天登录，咳嗽到他们的手机中，并立即获取有关它们是否可能被感染的信息，因此应确认正式测试。

“The effective implementation of this group diagnostic tool could diminish the spread of the pandemic if everyone uses it before going to a classroom, a factory, or a restaurant,” says co-author Brian Subirana, a research scientist in MIT’s Auto-ID Laboratory.

Vocal sentiments

Prior to the pandemic’s onset, research groups already had been training算法on cellphone recordings of coughs to accurately diagnose conditions such aspneumoniaand哮喘。以类似的方式，麻省理工学院团队正在开发AI模型，以分析强制咳嗽记录，以了解它们是否可以检测到迹象老年痴呆症, a disease associated with not only memory decline but also neuromuscular degradation such as weakened vocal cords.

They first trained a general机器学习算法或神经网络，称为RESET50，以区分与不同程度的声带强度相关的声音。研究表明，声音的质量“MMMM”可以表明一个人的声带有多弱或强烈。Subirana在有超过1000小时的演讲中培训了一个有obiobook数据集的神经网络，从其他单词中挑出了“它们”的单词，例如“the”和“那样。”。

球队训练了一秒钟神经网络为了区分情绪状态在演讲中显而易见，因为阿尔茨海默氏症的患者和神经系统衰退的人更普遍 - 已被证明表现出一些情绪，例如沮丧，或者具有平坦的影响，比他们表达幸福或平静更频繁。研究人员通过在语调情绪状态的演员的大型数据集上培训了一种情绪语音分类器模型，例如中立，平静，快乐和悲伤。然后，研究人员在咳嗽的数据库上培训了第三个神经网络，以辨别肺和呼吸性能的变化。

Finally, the team combined all three models, and overlaid an algorithm to detect muscular degradation. The algorithm does so by essentially simulating an audio mask, or layer of noise, and distinguishing strong coughs — those that can be heard over the noise — over weaker ones.

凭借其新的AI框架，团队在录音中喂食，包括阿尔茨海默氏症的患者，并发现它可以比现有模型更好地识别阿尔茨海默的样品。结果表明，一起，声带强度，情绪，肺和呼吸性能以及肌肉降解是诊断该疾病的有效生物标志物。

当Coronavirus大流行开始展开时，Subirana想知道他们的AI Aimer的AI框架也可能用于诊断Covid-19，因为有感染的患者越来越多的证据表明，感染患者经历了一些类似的神经血型症状，例如临时神经肌肉损伤等一些类似的神经症状。“谈话和咳嗽的声音都受到声带和周围器官的影响。这意味着当你说话时，你的谈话的一部分就像咳嗽一样，反之亦然。这也意味着我们容易源于流利的言论，AI可以简单地从咳嗽中接收，包括人的性别，母语，甚至情绪状态。事实上，嵌入了你如何咳嗽的情绪，“亚马亚拉娜说。“所以我们想，为什么我们不尝试这些阿尔茨海默氏症的生物标志物[看他们是否相关]。”

“一个引人注目的相似之处”

4月，团队列出了收集尽可能多的咳嗽录制，包括来自Covid-19患者的咳嗽。他们建立了一个人可以通过手机或其他支持Web的设备录制一系列咳嗽的网站。参与者还填写了他们正在经历的症状调查，无论他们是否有Covid-19，以及他们是否被官方考试诊断，通过医生对其症状的评估，或者他们是自我诊断的。他们还可以注意到他们的性别，地理位置和母语。

迄今为止，研究人员收集了超过70,000个录音，每个录音都包含几个咳嗽，达到了大约200,000个强制咳嗽音频样本，Subirana表示是“我们所知道的最大的研究咳嗽数据集。”被证实有Covid-19的人提交了大约2,500张录音，包括那些无症状的人。

该团队使用了2,500个Covid相关的录音，以及2,500个更多的录音，它们从集合中随机选择以平衡数据集。他们使用了4,000个样本来训练AI模型。然后将其余的1,000个录音送入模型中，看看它是否可以从Covid患者与健康的个人准确地辨别咳嗽。令人惊讶的是，随着研究人员在纸质写作，他们的努力已经揭示了“阿尔茨海默氏症和Covid歧视之间的惊人相似之处”。

在AI框架内没有多大调整，最初是为了阿尔茨海默氏症的，他们发现它能够在四个生物标志物 - 声带强度，情绪，肺和呼吸性能和肌肉降解中拾取模式 - 特定于Covid-19。该模型确定了与Covid-19确认的人员咳嗽的98.5％，并准确地检测到所有无症状咳嗽。“我们认为这表明你产生声音的方式，当你有Covid时改变，即使你是无聊的，”亚地点也说。

Asymptomatic symptoms

The AI model, Subirana stresses, is not meant to diagnose symptomatic people, as far as whether their symptoms are due to Covid-19 or other conditions like flu or asthma. The tool’s strength lies in its ability to discern asymptomatic coughs from healthy coughs.

该团队正在与公司合作，以基于其AI模型开发免费的预筛分应用程序。他们也与世界各地的几家医院合作，收集更大，更多样化的咳嗽记录，这将有助于培训和加强模型的准确性。如果他们提出论文，如果在背景中始终处于筛选工具并不断改进，Pandemics可能是过去的事情。“

最终，他们设想了像他们开发的那样的音频AI模型可以合并到智能扬声器和其他聆听设备中，以便人们可以方便地对其疾病风险进行初步评估，也许每天都可以进行疾病风险。

该研究发表于此IEEE Journal of Engineering in Medicine and Biology。