?不知道大家對做核酸怎么看，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，通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檢測自己有沒有中招？

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日在西班牙巴塞羅那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，一款手機應用程序借助人工智能，可以通過你的聲音判斷中是否感染了新冠肺炎。

目前，這一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……

通過聲音分辨你是否是陽性，效果優于快速抗原檢測

新冠肺炎會影響上呼吸道和聲帶，導致人的聲音發生變化。

在這基礎上，馬斯特里赫特大學數據科學研究所(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病專家Sami Simon 博士，以及同樣來自數據科學研究所的Visara Urovi博士，決定研究是否有可能使用人工智能來分析聲音以檢測新冠陽性。

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

該應用程序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，然后被要求記錄一些呼吸聲音，包括咳嗽三次，用嘴深呼吸三到五次，在屏幕上讀短句子三次。

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征，如響度、頻率和隨時間的變化。

“通過這種方式，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能模型，并評估哪一種模型最適合分類這些病例。”

他們發現LSTM模型優于其他模型。LSTM基于神經網絡，它模擬人腦的運作方式，并識別數據中的潛在關系。它擅長時序分析，這使得它適合對隨著時間的推移收集的信號進行建模，比如聲音。

最終，這個模型的總體準確率為89% ，正確檢出陽性病例(真陽性)的能力為89% ，正確識別陰性病例(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。

核酸病毒檢測是對采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，主要通過通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，盡管在假陽性方面，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。

并且，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。

至于我們，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，自該項目開始以來，從36116名參與者收集了53449個音頻樣本，可用于改進和驗證模型的準確性。他們還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能模型。

相關報道：

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