Investigación sobre la detección del asma basada en el procesamiento de señales de voz y el aprendizaje automático
22 de julio de 2025
Este estudio empleó métodos de análisis de señales de voz y aprendizaje automático, utilizando MATLAB para extraer características distintivas de la voz para la detección temprana no invasiva del asma. Los algoritmos Support Vector Machine (SVM) y Random Forest (RF) demostraron un rendimiento comparable en términos de precisión de clasificación general, aunque SVM puede lograr un mejor equilibrio entre sensibilidad y especificidad.
- Discutiré los desarrollos más recientes y los desafíos experimentales actuales en este campo a continuación. Las tecnologías actuales utilizan análisis de voz impulsados por IA, técnicas de movimiento como SVM, herramientas de procesamiento de señales como MFCC y sensores acústicos variables para detectar patrones relacionados con enfermedades en las señales de sonido. Los desafíos actuales en la traducción clínica de diagnósticos basados en voz incluyen datos escasos, generalización limitada del modelo, ética de privacidad, conflictos y barreras de interoperabilidad.
[Instructor] Para comenzar, abra la herramienta de línea de comandos y clone el repositorio de GitHub en la máquina local. Vaya al sitio web oficial de Python para instalar Python en la máquina. Después de instalar Python, instale las bibliotecas de Python necesarias mediante requirements.txt archivo. Alternativamente, si el archivo de texto no está disponible, instale las bibliotecas necesarias manualmente usando el comando dado. Luego instale PyCharm desde su sitio web oficial. Ahora, ubique los archivos de script principales en el repositorio clonado. Utilice PyCharm o un editor de texto para abrir los archivos de Python y revisar su contenido y estructura. Para configurar el conjunto de datos, compruebe que los archivos de datos requeridos por el código estén disponibles y guardados en formato Excel. Actualice las rutas de acceso de los archivos en los scripts para que coincidan con las ubicaciones reales de los archivos en el sistema. Después de identificar el script principal, ejecute el código con el comando adecuado para ese script. Durante la ejecución, el código cargará los datos, entrenará los modelos de aprendizaje automático y mostrará resultados como la precisión, la matriz de confusión y la característica operativa del receptor o la curva ROC. Esta figura presenta las matrices de confusión para la máquina de vectores de soporte o modelo SVM y el modelo de bosque aleatorio o RF, mostrando sus resultados de clasificación para asma y sujetos de control sanos. El modelo SVM clasificó con precisión a 14 sujetos con asma y 12 controles sanos de 30 muestras en la matriz de confusión. El modelo de RF también predijo correctamente 14 casos de asma y 12 controles sanos, mostrando resultados de clasificación comparables. El modelo SVM logró un valor de área bajo la curva más alto de 0,95 en el análisis ROC, lo que refleja un rendimiento de clasificación superior. Tanto los modelos SVM como los de RF lograron una precisión de clasificación general idéntica del 87% en el conjunto de datos de prueba. En cuanto al rendimiento de clase, el modelo SVM mostró un mayor recuerdo en el grupo de asma con 0,93, pero un menor recuerdo en el grupo de control sano con 0,80, lo que sugiere que, si bien SVM es eficaz para identificar el asma, puede clasificar erróneamente a algunos individuos sanos. El modelo de RF logró los mismos valores de recuerdo de 0,93 para el asma y 0,80 para los controles sanos, lo que indica que ambos modelos tienen una sensibilidad similar y son igualmente capaces de identificar casos positivos.
Vea la transcripción completa y acceda a miles de videos científicos
Visión general
Este estudio investiga el uso del análisis de voz impulsado por IA y técnicas de aprendizaje automático para la detección temprana no invasiva del asma. Mediante el empleo de algoritmos de Máquina de Vectores de Soporte (SVM) y Bosque Aleatorio (RF), la investigación demuestra una precisión de clasificación comparable en la identificación de casos de asma.
Componentes clave del estudio
Área de la ciencia
- Neurociencia
- Aprendizaje automático
- Análisis de señal de voz
Antecedentes
- Las tecnologías actuales utilizan el análisis de voz impulsado por IA para detectar patrones relacionados con enfermedades.
- Los desafíos en la traducción clínica incluyen la escasez de datos y la ética de privacidad.
- Los modelos de aprendizaje automático como SVM y RF se emplean para tareas de clasificación.
- Los diagnósticos basados en voz están ganando atención por su naturaleza no invasiva.
Propósito del estudio
- Explorar la efectividad del análisis de señal de voz en la detección del asma.
- Comparar el rendimiento de los algoritmos SVM y RF.
- Abordar los desafíos en la implementación de diagnósticos basados en voz en entornos clínicos.
Métodos utilizados
- Análisis de señal de voz utilizando MATLAB.
- Algoritmos de aprendizaje automático: Máquina de Vectores de Soporte (SVM) y Bosque Aleatorio (RF).
- Evaluación de la precisión de clasificación y métricas de rendimiento.
- Análisis de matriz de confusión y curva ROC para la comparación de modelos.
Principales resultados
- Tanto SVM como RF lograron una precisión de clasificación general del 87%.
- SVM mostró un valor de área bajo la curva más alto de 0.95 en el análisis ROC.
- SVM tuvo mayor recuperación en el grupo de asma (0.93) en comparación con los controles sanos (0.80).
- RF demostró valores de recuperación similares para ambos grupos, indicando una sensibilidad comparable.
Conclusiones
- El análisis de voz combinado con el aprendizaje automático puede detectar eficazmente el asma.
- SVM puede proporcionar un mejor equilibrio entre sensibilidad y especificidad.
- Se necesita más investigación para abordar los desafíos de la traducción clínica.
Preguntas frecuentes
Executive Industry Relevance
Voice signal processing combined with machine learning offers a scalable, non-invasive approach for early asthma detection, addressing a critical need for objective, reproducible diagnostics in respiratory disease research. By leveraging quantitative voice features and robust classification models, this workflow enhances predictive confidence at the target validation and assay development stages. The methodology supports portfolio-wide risk reduction by enabling standardized, data-driven decision-making in biomarker discovery and translational research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of disease-relevant voice biomarkers for respiratory target validation.
- Supports mechanistic de-risking by quantifying differential phonetic features between patient and control groups.
- Facilitates predictive confidence in early-stage biomarker selection and triage.
Screening & Assay Development
- Prepares validated voice-based assays for downstream machine learning model integration.
- Standardizes feature extraction and dimensionality reduction for reproducible quantitative outputs.
- Enables scalable screening of candidate biomarkers using SVM and RF classification models.
Translational & Preclinical Research
- Aligns non-invasive voice biomarkers with translational endpoints for respiratory disease models.
- Supports continuity from discovery through preclinical validation by providing objective, quantitative readouts.
- Reduces biological risk in advancing candidate biomarkers to later-stage studies.
Pipeline & Workflow Integration
This workflow integrates from early discovery through lead identification and preclinical validation, leveraging voice signal analytics and machine learning for robust biomarker development.
- Discovery Biology: Quantitative voice feature analysis supports hypothesis testing and pathway clarification in respiratory disease.
- Screening: Machine learning models provide reproducible, quantitative classification outputs for candidate biomarker evaluation.
- Analytics: Outputs include accuracy, confusion matrices, and ROC curves to compare model performance and inform go/no-go decisions.
- Translational Research: Non-invasive voice biomarkers facilitate alignment with clinical endpoints and preclinical model systems.
- Enterprise Reuse: The standardized workflow and feature set enable reuse across respiratory and potentially other disease areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in respiratory biomarker discovery.
- Operational Value: Delivers standardized, reproducible, and scalable voice-based assays for machine learning integration.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by providing objective, quantitative outputs.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of candidate biomarkers across the R&D pipeline.
Implementation Considerations
- Requires expertise in signal processing, machine learning, and respiratory disease biology.
- Needs access to high-quality voice recording infrastructure and computational analytics platforms.
- Demands cross-team standardization of data collection, feature extraction, and model evaluation protocols.
- Adaptation across diverse patient populations and disease models may require additional validation.
- Data scarcity and model generalization remain practical limitations for broader clinical translation.
