新加坡科技与设计大学(SUTD)的研究人员表明，深度学习模型可以仅通过咳嗽声准确区分健康儿童和患病儿童。发表在《传感器》杂志上的这些发现，可能为更有效地筛查儿童呼吸系统疾病打开大门，也可能为患者、家长和医生减轻巨大的负担。
在儿童中，咳嗽可能是几种呼吸道疾病的征兆，包括哮喘、鼻窦炎和呼吸道感染。咳嗽作为一种症状的普遍存在，意味着医生经常不得不进行额外的检查和程序，以提供明确的诊断。
领导这项研究的SUTD助理教授Chen Jer-Ming说:“这些测试需要去医院检查，对孩子不是没有风险的，并对医疗资源提出了要求。”“此外，这种探访还会对儿童及其家庭产生其他负面的社会或经济影响，比如有时间离开工作岗位，以及需要特别的育儿安排。”
为了减轻患者和整个医疗系统的负担，人们对利用咳嗽声的细微差别来区分不同的呼吸状况越来越感兴趣。然而，大多数研究都依赖于在录音棚环境中仔细录制的咳嗽音频，这使得它们不适合实际应用，因为背景噪音和低级别设备可能会影响录制的咳嗽的质量。
为了解决这个问题，陈助理教授和来自KK妇女儿童医院和杜克-新加坡国立大学医学院的合作者Hee Hwan Ing博士使用智能手机在现场医院环境中收集咳嗽记录，以反映真实的“生态”条件。接下来，为了帮助他们准确地将咳嗽记录分类为患病或健康，该团队转向了一种称为双向长期短期记忆(BiLSTM)的特定类型的深度神经网络模型。
与其他人工神经网络相比，bilstm是由单个单元组成的，可以在任意时间内记住数值。Chen助理教授解释说，这种记忆机制使得bilstm特别适合处理像音频这样的顺序数据。
为了训练和测试他们的模型，研究小组使用了89名哮喘儿童、160名下呼吸道感染儿童和78名上呼吸道感染儿童的咳嗽记录。为了进行比较，他们还收集了89名健康儿童的咳嗽声。
该团队发现，BiLSTM能够准确地将个人咳嗽声分类为健康或患病，准确率为84.5%。当考虑所有患者的音频样本时，预测模型的准确率为91.2%。这意味着，在10个提供咳嗽记录的患者中，BiLSTM将能够正确识别出9个健康或患病的患者。
然而，当试图区分不同病理性咳嗽时，该模型的准确性较低。例如，该模型错误地将近四分之三的哮喘咳嗽归因于呼吸道感染。反过来，超过60%的哮喘患儿被误诊为下呼吸道感染。
陈助理教授指出:“分析同一名儿童不健康与健康及已痊愈的咳嗽的音频特征，发现不健康的咳嗽，不论其基本情况如何，都与其他不健康的咳嗽更为相似。”这与仅凭咳嗽声很难区分疾病的医生们的轶事记录是一致的。
然而，研究人员发现，当试图区分不同的疾病时，很多模型的错误分类发生了;BiLSTM在区分健康儿童和患病儿童方面仍然非常准确。
尽管它有可能改变儿科的呼吸疾病筛查，但在目前的BiLSTM模型准备好投入临床应用之前，仍有工作要做。
特别是，开发一个智能手机应用程序，它可以收集音频输入，将其转发到中央服务器进行处理，并将结果显示给最终用户，这将是使模型在临床环境中可用的关键。一旦投入使用，该技术就可以利用来自患者的进一步音频数据不断改进，以提高其检测病理性咳嗽的准确性。
陈教授说:“这项研究只是开发高效深层神经网络模型的第一步，该模型可以区分不同的不健康咳嗽声。”“这种自动化的‘实地’方法将支持与咳嗽有关的呼吸道疾病的临床筛查，有助于健康监测和筛查，特别是在偏远和发展中社区。”
