咳嗽声中藏着的健康密码

根据世界卫生组织2021年发布的统计数据，全球十大主要死因累计导致3900万人死亡，占当年全球总死亡人数（6800万）的57%。这些致命威胁的背后，最突出的“元凶”主要集中于两大类疾病：心血管疾病（如缺血性心脏病、中风）和呼吸系统疾病（如肺结核、慢性阻塞性肺病、下呼吸道感染）。

值得关注的是，呼吸系统疾病引发的咳嗽声或呼吸音，实际上暗藏着大量关于我们身体健康状况的线索。临床医生早已学会利用带有“喘息”特征的咳嗽声来诊断百日咳，甚至能通过患者临终前的呼吸声音监测急性心血管事件的发生。

那么问题来了——在人工智能时代，我们能否借助技术的力量，从这些声音数据中提取健康信号，从而更早、更精准地掌握自己的身体状态？

来自谷歌、赞比亚传染病研究中心结核病科的研究团队，在这个方向上迈出了至关重要的一步。他们合作推出了一款名为HeAR（Health Acoustic Representations）的生物声学基础模型，简单来说，就是让机器学会“听懂”人类声音，并从中捕捉疾病的早期预警信号。相关研究论文已发表在预印本网站arXiv上。

为了确保HeAR的性能，研究团队从海量、多样化且经过去识别化的数据集中，精心挑选了3亿个音频数据用于模型训练，其中特别使用了大约1亿个咳嗽声音专门训练“咳嗽模型”。

最终成果相当可观：HeAR能够精准识别与健康相关声音中的模式，在广泛的测试任务中平均排名显著高于其他模型，并且具备跨麦克风泛化能力——也就是说，不会因为录音设备不同而影响识别效果。更为难得的是，利用HeAR训练的模型只需更少的数据就能达到高性能，这在医疗研究领域极其宝贵，毕竟医疗数据往往稀缺且珍贵。

StopTB Partnership 数字健康专家Zhi Zhen Qin评价道：“像HeAR这样的解决方案，将使人工智能驱动的声学分析在肺结核筛查和检测中发挥巨大作用，为最需要的人群提供一种影响更小、更易获取的工具。”

研究团队希望未来能进一步推进在肺结核、胸部、肺部及其他疾病领域的诊断工具和监测方案。

事实上，印度呼吸健康公司Salcit Technologies已经基于HeAR开发了一款名为Swaasa的产品，通过AI分析咳嗽声音来评估肺部健康状况。目前，他们正在探索如何利用HeAR进一步扩展其生物声学AI模型的能力。

一声咳嗽，即可检测疾病

HeAR系统由三个核心部分构成。通过自我监督学习，它利用大量未标注的音频数据学习通用的音频表示，并能迁移应用到各种健康声学任务中。通俗地说，就是让机器在没有标准答案的情况下，自主学会从声音中寻找规律。

图｜HeAR 系统概况

在数据采集环节，研究团队采用了一个健康声学事件检测器。该检测器本质上是一个多标签分类卷积神经网络（CNN），用于识别2秒音频片段中是否存在6种非语音健康声学事件：咳嗽、婴儿咳嗽、呼吸、清嗓子、笑声和说话。训练数据来源于FSD50K和FluSense数据集，通过音频片段中的标签（如“咳嗽”、“打喷嚏”、“呼吸”等）进行标注。

论文使用了两个数据集：第一部分是从30亿个公共非版权YouTube视频中提取的2秒音频片段，共计3.133亿个片段，相当于约174000小时的音频。这些片段均经过了健康声学事件检测器的筛选。第二部分由赞比亚传染病研究中心提供，包含来自599名疑似肺结核患者的咳嗽音频录音以及胸部X光片。

研究团队采用掩码自编码器，在包含3.13亿个两秒钟长音频片段的大型数据集上进行训练。通过线性探测，在跨越6个数据集的33个健康声学任务基准上，HeAR在所有健康音频嵌入模型中的表现达到了当前最佳（SOTA）。

图｜HeAR 在33个健康音频任务中取得了最高的平均排名（MRR = 0.708），全面超越了其他基线模型。

在FSD50K和FluSense数据集上，HeAR的表现同样优于其他模型，特别是在FSD50K训练的模型中排名第二。

图｜健康声学事件检测任务在FSD50K和FluSense数据集上的性能比较。

在14个咳嗽推理任务中，HeAR在其中的10个任务上表现优于基线模型，涵盖人口统计和生活方式判断。在TB和CXR任务中，它的表现与最佳模型旗鼓相当。

图｜咳嗽推理任务的性能比较。

在SpiroSmart数据集上，HeAR在5个肺功能测试任务中的4个以及性别分类任务中表现优于基线模型。

图｜肺功能测试任务的性能比较。

值得一提的是，HeAR在CIDRZ数据集上的表现不受不同录音设备的影响，对不同设备具有鲁棒性。此外，即使训练数据较少，它同样能取得良好性能——在标注数据稀缺的医疗研究中，这一点极具优势。

当然，HeAR也存在一定局限性。例如，线性探测方式难以完全发挥模型的潜在性能；部分数据集规模较小且存在类别不平衡问题；另外，HeAR这类模型体量较大，在手机等移动设备上运行仍有难度。

研究团队表示，未来可以考虑通过微调模型或加入更多特征来提升性能，收集更多数据并改进数据预处理方法，也可以研究模型压缩和量化技术，使模型能够在本地设备上运行。

AI辅助诊断疾病，大有可为

从辅助医生到独立诊断疾病，人工智能在医疗领域的应用日益广泛，潜力也在不断被挖掘。

今年6月，伦敦帝国理工学院和剑桥大学的研究团队训练了AI模型EMethylNET，通过观察DNA甲基化模式，从非癌组织中识别出13种不同类型的癌症（包括乳腺癌、肝癌、肺癌和前列腺癌等），准确率高达98.2%。

7月，波士顿大学研究团队及其合作者开发的AI工具，有望同时诊断10种不同类型的痴呆症，将神经科医生的诊断准确率提升了26%以上。

最近，针对儿童的“隐形杀手”自闭症，AI也取得了突破。卡罗林斯卡学院研究团队开发的多模态数据分析AI模型，不仅能在患儿12个月左右时发现早期迹象，对两岁以下儿童识别的准确率达到80.5%，而且整个过程只需要相对有限的信息。

可以预见，在不久的将来，AI将帮助人类诊断更多疾病，为医疗健康领域带来更多可能性。