ARTICLE · 1208135
AI“听”出你的病
手机仅凭声音判断疾病，曾经只存在于科幻作品，谷歌的 HeAR 人工智能系统让这一设想落地。
这套全称为 Health Acoustic Representations（HeAR）的 AI，通过解析咳嗽与呼吸声评估健康情况。临床试验证实，它可检出新冠肺炎、肺结核等病症：新冠检测准确率评分为 0.645，高于随机猜测基准分 0.5；肺结核检测评分可达 0.739。
除此之外，该系统还能判断用户是否吸烟。丰富的训练数据让模型捕捉多种早期健康线索，为研发更精准的诊断系统提供支撑。
谷歌HeAR系统是如何分析咳嗽和呼吸声来评估健康状况的？
谷歌开发的HeAR系统（Health Acoustic Representations）是一种基于生物声学的人工智能模型，通过分析人体的声音信号（如咳嗽、讲话和呼吸）来检测疾病。该系统利用了大规模的数据集进行训练，以识别与健康相关的声学模式。
具体来说，谷歌的研究团队收集并使用了约3亿条音频数据对HeAR进行了训练，其中包括大约1亿条咳嗽声音。这些数据是从一个多样化且去标识化的数据集中获取的，确保了模型的泛化能力和隐私保护。此外，HeAR模型还能够在各种麦克风和环境中通用，因此可以对各种呼吸系统疾病进行低成本、无障碍的筛查。
HeAR系统对肺结核检测的准确性为何能达到0.739分？
凭借前沿 AI 技术与大规模训练数据，HeAR 系统检测肺结核的评分达到 0.739。该系统依靠分析咳嗽声筛查新冠肺炎、肺结核等肺部疾病。在多组数据集测试中，其新冠检测得分分别为 0.645 和 0.710，肺结核检测得分最高为 0.739。
0.739 的结果优于 0.5 分的随机猜测水平，但还达不到 1 分的完美预测。研究人员从公开 YouTube 视频提取逾 3 亿条短音频，用于模型深度学习。大规模数据与复杂算法赋予系统环境适应性，可适配不同麦克风，提升跨场景检测准确率。
海量真实音频素材与 AI 声学特征识别技术，共同造就了 HeAR 的检测能力。HeAR系统除了COVID-19和结核病外，还能用于冠状动脉疾病（CAD）和哮喘的早期诊断。
HeAR系统的训练数据集包括哪些类型的数据，这些数据是如何帮助模型学习的？
HeAR系统的训练数据集包括多种类型的数据，这些数据对模型的训练和学习起到了关键作用。
根据谷歌研究团队的报告，HeAR系统利用了来自一个多样化、去标识化的数据集中的3亿条音频数据进行训练。其中，特别约有1亿条咳嗽声数据被用于训练咳嗽检测模型。这种多样化的数据集涵盖了不同的声音特征和环境背景，有助于模型更好地理解和识别各种声音信号。
此外，HEAR项目本身是一个评估音频表示的基准测试，它覆盖了包括语音、环境声音和音乐在内的多个音频领域，并且包含了短时长和长时间跨度的任务。这种多领域的数据集设计使得模型能够处理不同情境下的音频数据，从而提高其泛化能力。
在具体的应用中，例如心音诊断系统，研究人员通常会将数据集按照一定比例划分为训练集、验证集和测试集，以确保模型能够充分学习到数据的潜在特征并进行有效的超参数调整。这种方法同样适用于HeAR系统，通过大量数据的训练，模型可以不断优化其内部参数，提升准确率和灵敏度。
总结来说，HeAR系统的训练数据集主要包括以下几类：
多样化的声音数据：包括不同种类的声音（如咳嗽声、环境声音、音乐等），这有助于模型在多种情境下进行有效学习。
去标识化的音频数据：确保数据隐私的同时提供丰富的训练资源。
多领域任务数据：覆盖语音、环境声音和音乐等多个领域，增强模型的泛化能力。
谷歌的HeAR系统通过分析大量的音频数据，学会了识别健康人和病人声音中的细微差别。它就像一个经验丰富的医生，能够听出咳嗽声中的“猫腻”，从而帮助我们早期发现疾病。这项技术不仅能检测像新冠肺炎和肺结核这样的常见病，未来还有可能应用到更多疾病的诊断中。虽然这项技术还处于发展阶段，但它为我们未来的医疗带来了无限的想象空间。
