Classification du tonus de la toux basée sur l’apprentissage automatique : exploration diagnostique de la bronchopneumopathie chronique obstructive et des infections des voies respiratoires
September 19th, 2025
Cette étude a permis de classer automatiquement deux catégories distinctes en acquérant des données sur les sons de la toux de patients diagnostiqués avec une bronchopneumopathie chronique obstructive (MPOC) et des infections des voies respiratoires (RTI), en utilisant une intégration de techniques de traitement du signal vocal et d’algorithmes d’apprentissage automatique.
Cette recherche se concentre sur le diagnostic acoustique, utilisant l’analyse du signal vocal et l’apprentissage automatique pour extraire des caractéristiques vocales distinctives en vue d’une classification précoce non invasive de la maladie pulmonaire obstructive chronique et des infections des voies respiratoires. Les développements récents dans ce domaine incluent l’analyse vocale pilotée par IA, des techniques d’apprentissage automatique telles que les réseaux neuronaux convolutionnels et les machines à vecteurs de support, des outils de traitement du signal comme les MFCC, et des capteurs acoustiques variables pour détecter les motifs liés aux maladies dans les signaux sonores. L’un des principaux défis dans la traduction clinique du diagnostic basé sur la voix est la rareté des données.
D’autres défis incluent la généralisation limitée des modèles, l’éthique de la vie privée, les conflits et les barrières à l’interprétabilité. Après avoir assemblé la base de données des indicateurs de caractéristiques vocales, ouvrez SPSS et chargez le fichier de données approprié. Dans la barre de menu, sélectionnez Analyser, puis Tests Non Paramétriques, suivi de Dialogues hérités, et cliquez sur 2 Échantillons indépendants.
Dans la boîte de dialogue contextuelle, sélectionnez les variables observées à comparer dans la section Liste des variables de test. Ensuite, sous Variable de groupement, sélectionnez la variable qui sera utilisée pour le regroupement. Cliquez sur le bouton Définir les groupes et saisissez les identifiants des deux groupes dans la fenêtre contextuelle.
Dans Type de test, sélectionnez le test Mann-Whitney U. Cliquez sur OK pour lancer le test et permettre à SPSS de générer automatiquement la sortie. Pour l’analyse des composants principaux, assurez-vous que les données sont compilées, enregistrées au format Excel ou CSV, et importées dans SPSS version 20.0.
Pour ouvrir le fichier, sélectionnez Fichier, puis Ouvrir, puis Data, et sélectionnez le fichier approprié. Pour lancer l’analyse des composantes principales, cliquez sur Analyser, puis choisissez Réduction de dimension, et sélectionnez Facteur. Dans la boîte de dialogue, ajoutez toutes les variables continues utilisées dans l’analyse des composantes principales dans le champ Variables.
Cliquez sur le bouton Extraction et sélectionnez la méthode des composants principaux comme technique d’extraction. Sélectionnez des valeurs propres supérieures à 1 comme critère pour conserver les composantes principales. Sélectionnez la méthode de rotation et cliquez sur Rotation pour choisir Varimax ou Promax.
Dans la section Options, vérifiez à la fois le diagramme de Scree et la matrice des coefficients pour inclure le diagramme de gravier et la matrice des coefficients dans la sortie afin d’évaluer les variantes conservées. Après avoir terminé tous les réglages, cliquez sur OK pour exécuter l’analyse et permettre à SPSS de générer la sortie. Interprétez la matrice de chargement des composantes principales pour évaluer la relation entre les composantes principales et les variables originales.
Identifier les variables ayant des valeurs de charge plus élevées, car elles contribuent de manière plus significative aux changements de composants. Utilisez le tableau Total de la variance expliquée pour évaluer la variance que chaque composante principale prend en compte. Identifiez les composantes principales avec de fortes proportions de variance, car elles capturent généralement la majeure partie de la variation des données.
Consultez la parcelle d’éboulis pour déterminer quels composants conserver. Localisez le point d’inflexion et gardez tous les composants à gauche de ce point. Si des scores en composantes principales sont requis, vérifiez Enregistrer en tant que variables avant d’exécuter l’analyse.
SPSS ajoutera les scores de chaque échantillon comme de nouvelles variables dans le jeu de données. L’analyse en composantes principales a identifié six composantes majeures qui représentaient ensemble 76,8 % de la variance totale. Le modèle de régression logistique a démontré une performance stable sur trois modules de validation, avec des valeurs AUC de 0,71, 0,74 et 0,88, donnant une moyenne AUC de 0,77.
En revanche, le modèle de forêt aléatoire présentait une plus grande variabilité, avec des scores AUC de pliage de 0,69, 0,52 et 0,83, et une moyenne AUC plus faible de 0,68. Le modèle de régression logistique a réalisé des prédictions 100 % correctes pour la BPCO et six des sept bonnes pour les infections des voies respiratoires, comme le montre la matrice de confusion, indiquant une grande précision de classification. Le modèle de forêt aléatoire a mal classé un cas de MPOC et deux infections des voies respiratoires, ce qui a entraîné une précision de classification inférieure à celui du modèle de régression logistique.
Sur le jeu de données test, le modèle de régression logistique a donné d’excellentes performances en classification, atteignant une valeur AUC de 0,95. Le modèle de forêt aléatoire a montré une performance de test plus faible avec une valeur AUC de 0,76.
View the full transcript and gain access to thousands of scientific videos
Aperçu
Cette recherche se concentre sur les diagnostics acoustiques, utilisant l'analyse des signaux vocaux et l'apprentissage automatique pour extraire des caractéristiques vocales distinctives pour la classification précoce non invasive des maladies pulmonaires obstructives chroniques et des infections des voies respiratoires. L'étude met en évidence l'intégration de techniques avancées dans le traitement des signaux de la parole et les algorithmes d'apprentissage automatique.
Composants clés de l'étude
Domaine de la science
- Neuroscience
- Apprentissage automatique
- Diagnostics acoustiques
Contexte
- Utilisation de l'analyse des signaux vocaux pour la classification des maladies.
- Défis dans la traduction clinique en raison de la rareté des données et de la généralisation des modèles.
- Considérations éthiques concernant la confidentialité et l'interprétabilité.
- Récentes avancées dans l'analyse vocale pilotée par l'IA.
Objectif de l'étude
- Automatiser la classification de la BPCO et des IVR en utilisant les données de sons de toux.
- Explorer l'efficacité des techniques d'apprentissage automatique dans les diagnostics acoustiques.
- Répondre aux défis de la mise en œuvre des diagnostics basés sur la voix dans les contextes cliniques.
Méthodes utilisées
- Acquisition de données de sons de toux auprès des patients.
- Application d'algorithmes d'apprentissage automatique tels que les réseaux de neurones convolutifs et les machines à vecteurs de support.
- Utilisation d'outils de traitement du signal comme les MFCC.
- Développement d'une base de données d'indicateurs de caractéristiques vocales.
Résultats principaux
- Classification réussie de catégories distinctes de sons de toux.
- Identification de schémas liés à la maladie dans les signaux sonores.
- Aperçus de l'efficacité de l'IA dans le diagnostic précoce.
- Discussion sur les défis rencontrés dans l'interprétation des données et la généralisation des modèles.
Conclusions
- L'étude démontre le potentiel de l'analyse vocale dans le diagnostic des maladies respiratoires.
- Met en évidence la nécessité de traiter la rareté des données et les questions éthiques.
- Encourage la poursuite des recherches sur les applications de l'apprentissage automatique dans les soins de santé.
Questions fréquemment posées
Executive Industry Relevance
Machine learning-based cough tone classification offers a non-invasive, data-driven approach for differentiating chronic obstructive pulmonary disease (COPD) from respiratory tract infections (RTI), addressing a critical diagnostic inflection point in respiratory disease management. By leveraging quantitative voice feature analysis and robust statistical validation, this workflow enhances predictive confidence and supports risk-adjusted triage in early discovery and translational research. The approach demonstrates enterprise value by enabling scalable, reproducible, and interpretable diagnostics that can be integrated into broader R&D pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of disease-specific acoustic biomarkers for mechanistic de-risking.
- Supports functional target validation through statistically significant voice feature differentiation.
- Facilitates portfolio triage by providing quantitative evidence for disease classification.
Screening & Assay Development
- Prepares validated voice feature datasets for downstream machine learning model development.
- Standardizes feature extraction and statistical testing for reproducible assay outputs.
- Enables scalable screening of patient-derived acoustic data for model training and evaluation.
Translational & Preclinical Research
- Aligns acoustic biomarkers with disease-relevant phenotypes for translational continuity.
- Supports risk-adjusted advancement by quantifying model performance across validation folds.
- Provides a foundation for integrating non-invasive diagnostics into preclinical workflows.
Pipeline & Workflow Integration
This method bridges early discovery and translational research by transforming raw acoustic data into validated, quantitative features for machine learning-based disease classification.
- Discovery Biology: Facilitates hypothesis testing and pathway clarification through statistical analysis of voice features.
- Screening: Delivers reproducible, quantitative outputs for model training and evaluation.
- Analytics: Provides AUC, confusion matrix, and principal component outputs for robust model comparison.
- Translational Research: Connects non-invasive biomarker discovery to preclinical validation of diagnostic tools.
- Enterprise Reuse: Establishes a scalable workflow for future respiratory disease classification initiatives.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in respiratory disease differentiation.
- Operational Value: Standardizes feature extraction, statistical testing, and model evaluation for reproducibility.
- Strategic Value: Enables data-driven go/no-go decisions and capital-efficient diagnostic development.
- Portfolio Impact: Supports risk-adjusted prioritization of diagnostic candidates and workflow scalability.
Implementation Considerations
- Requires expertise in acoustic signal processing and statistical analysis.
- Needs access to machine learning infrastructure and SPSS for data analysis.
- Demands standardized data collection and feature extraction protocols across teams.
- Must address model generalization and interpretability for broader application.
- Limited by data scarcity and privacy considerations in patient-derived datasets.
