深度学习在新冠肺炎检测方面的应用

问题描述

春节将近，核酸检测成了回家过年的必备品，此时有多少人为了等待一根棉签，在手机上疯狂的点击预约按钮，如果这个时候有人告诉你，有一种新的检测方式，能够对新冠肺炎进行检查与筛选，你会使用吗~；近来，MIT部分研究学者利用深度学习相关的技术手段，对咳嗽的声音进行特征分析，准确的识别出人们是否感染新冠病毒，其准确率高达98.5%，相关的技术有望直接集成到手机app端口，大大简化核酸检测的流程，具体内容如下所示：

图a表述为那些年为了一张火车票，提前守候在电脑面前，与黄牛不断斗智斗勇的过程~；图b表述为核酸检测具体过程；图c表述为MIT相关的研究成果，建立了咳嗽声音数据集，为应用人工智能算法提供前期基础。

从前

乡愁就是一张张火车票

我在这头

故乡在那头

而现在

乡愁是一张张核酸检验证明

我在这头

故乡说：你就在那头吧！别回这头

01文章介绍

人工智能在医学领域具有广泛的应用，能够通过「咳嗽声」对肺炎、哮喘以及神经肌肉等多项疾病进行准确识别，近来，MIT研究学者Jordi Laguarta在前期工作的基础上，对相关技术进行了拓展，准确的识别出人们是否感染新冠病毒，具体见：COVID-19 Artificial Intelligence Diagnosis using only Cough Recordings.

研究表明，新冠肺炎会对肺部造成一定的损伤，引起患者说话和咳嗽的声音发生细微改变，MIT相关学者基于该研究思路，通过人工智能相关的技术手段，获取了肺、气管以及声带等人体器官的状态信息，进而对患者是否感染新冠病毒进行了准确的辨别；

图a表述了人们发出声音的过程：肺部（动力源）呼出的气流不断冲击声带，引发振动而产生相应的声音；图b表述了新冠病毒对肺部造成的影响，重症患者会出现肺部纤维化等；图c表述MIT采用的研究方法，利用声带强度、情绪、肺和呼吸四项生物特征作为诊断患者是否感染COVID-19病毒的标准，具体过程为：1、通过梅尔频率倒谱系数（MFCC）对咳嗽声音进行预处理；2、生物特征层；3、通过卷积神经网络（CNN）,辨别出患者声带强度、情绪以及肺部损伤等特征，具体为三组ResNet50神经网络模型；4、依据相应的指标，对患者是否感染新冠病毒做出准确判据。

附录：补充材料

附1、钟南山团队相关的工作？

2020年7月份，钟南山团队与腾讯开展相应的合作，通过深度学习相关的技术，预测了COVID-19患者在一定时间内发展至危重的概率，能够合理的为病人进行早期分诊，相关成果发表在nature communication，具体文章见Early triage of critically ill COVID-19 patients using deep learning.

图a表述为钟南山团队具体的研究成果，后期与腾讯公司开展合作，编写了相应的可视化界面，给大众提供了免费接口，非常不错的一件事情；

仔细回想一波，发现在人工智能方面还是做了部分简单的工作，主要有：1、基于神经网络的微动疲劳寿命预测；2、机器视觉在工业机器人中的应用；另一方面，前期推文中分享了部分人工智能相关的知识点，主要有：1、有限元以及神经网络的相似性；2、高华健学术报告会分享；3、深度学习在断裂力学中的应用；

附1、人工智能与医疗相结合有望突破传统的边界，然而新技术从研发到被市场广泛接受需要较长的周期；

附2、人不管什么时候，要有敏锐的直觉，快速的行动力；完成要比完美更好一些~

附3、生活总在可能与不可能之间犹豫、徘徊~，不知不觉中，岁月已然冲刷走了多少记忆，五味杂陈！所幸时光荏苒，依然还没有离开，近来还好吗~