סיווג גוון שיעול מבוסס למידת מכונה: חקירה אבחנתית של מחלת ריאות חסימתית כרונית וזיהומים בדרכי הנשימה
September 19th, 2025
מחקר זה השיג ביעילות את הסיווג האוטומטי של שתי קטגוריות נפרדות על ידי רכישת נתוני צליל שיעול מחולים שאובחנו עם מחלת ריאות חסימתית כרונית (COPD) וזיהומים בדרכי הנשימה (RTI), תוך שימוש בשילוב של טכניקות עיבוד אותות דיבור ואלגוריתמים של למידת מכונה.
מחקר זה מתמקד באבחון אקוסטי, תוך שימוש בניתוח אותות קול ולמידת מכונה כדי להפיק תכונות קול ייחודיות לסיווג מוקדם לא פולשני של מחלות ריאות חסימתיות כרוניות וזיהומים בדרכי הנשימה. ההתפתחויות האחרונות בתחום כוללות ניתוח קול מונחה בינה מלאכותית, טכניקות למידת מכונה כגון רשתות עצביות קונבולוציונליות ומכונות וקטוריות תמיכות, כלי עיבוד אותות כמו MFCCs, וחיישנים אקוסטיים משתנים לזיהוי דפוסים הקשורים למחלות באותות קול. אחד האתגרים המרכזיים בתרגום קליני של אבחון מבוסס קול הוא מחסור בנתונים.
אתגרים נוספים כוללים הכללה מוגבלת של מודלים, אתיקה של פרטיות, קונפליקטים ומחסומים לפרשנות. לאחר הרכבת מסד הנתונים של מדדי תכונות הקול, פתח את SPSS וטען את קובץ הנתונים המתאים. מהתפריט, בחר 'ניתוח', ואז 'בדיקות לא-פרמטריות', אחריו 'דיאלוגים מורשתים', ולחץ על 2 דגימות עצמאיות.
בתיבת הדיאלוג הקופצת (pop-up), בחר את המשתנים הנצפים להשוואה תחת סעיף רשימת משתני הבדיקה. לאחר מכן, תחת משתנה קיבוצ, בחר את המשתנה שישמש לקבוצות. לחץ על כפתור הגדרת קבוצות והזן את המזהים של שתי הקבוצות בחלון הקופץ.
תחת סוג מבחן, בחר את מבחן מאן-וויטני U. לחץ על OK כדי להריץ את הבדיקה ולאפשר ל-SPSS לייצר אוטומטית את הפלט. לניתוח רכיבים עיקריים, ודאו שהנתונים נאספו, נשמרים בפורמט Excel או CSV, ומיובאים לגרסה 20.0 של SPSS.
כדי לפתוח את הקובץ, בחר קובץ, ואז בחר פתיחה, אחריה דאטה, ובחר את הקובץ המתאים. כדי להתחיל ניתוח רכיב עיקרי, לחץ על ניתוח, בחר הפחתת מימד, ובחר פקטור. בתיבת הדיאלוג, הוסף את כל המשתנים הרציפים המשמשים בניתוח רכיבים עיקריים לשדה המשתנים.
לחץ על כפתור החילוץ ובחר את שיטת הרכיבים הראשיים כשיטת החילוץ. בחר ערכים עצמיים גדולים מ-1 כקריטריון לשמירת רכיבים עיקריים. בחר את שיטת הסיבוב ולחץ על סיבוב כדי לבחור בין Varimax ל-Promax.
תחת אופציות, בדוק גם את גרף סקרי וגם את מטריצת המקדמים כדי לכלול את דיאגרמת החצץ ואת מטריצת המקדמים בפלט להערכת וריאנטים שנשמרו. לאחר השלמת כל ההגדרות, לחץ על אישור כדי לבצע את הניתוח ואפשר ל-SPSS לייצר את הפלט. פרש את מטריצת הטעינה של הרכיבים הראשיים כדי להעריך את הקשר בין הרכיבים העיקריים למשתנים המקוריים.
זהה משתנים עם ערכי טעינה גבוהים יותר, שכן הם תורמים משמעותית יותר לשינויים ברכיבים. השתמש בטבלת הסבר השונות הכוללת כדי להעריך כמה שונות כל רכיב ראשי לוקח בחשבון אותה. זהה את הרכיבים העיקריים עם פרופורציות שונות גבוהות, שכן בדרך כלל הם תופסים את רוב השונות בנתונים.
עיין בתרשים הסקרי כדי לקבוע אילו רכיבים לשמור. מצא את נקודת המפנה ושמור על כל הרכיבים שמאלה לנקודה זו. אם נדרש ציוני רכיבים עיקריים, בדוק שמור כמשתנים לפני ביצוע הניתוח.
SPSS יוסיף את הציונים לכל מדגם כמשתנים חדשים במאגר הנתונים. ניתוח רכיבים עיקריים זיהה שישה רכיבים עיקריים שהיוו יחד 76.8% מהשונות הכוללת. מודל הרגרסיה הלוגיסטית הראה ביצועים יציבים בשלושה קיפולי אימות, עם ערכי AUC של 0.71, 0.74 ו-0.88, והניבו ממוצע AUC של 0.77.
לעומת זאת, מודל היער האקראי הראה שונות גדולה יותר, עם ציוני AUC קפלים של 0.69, 0.52 ו-0.83, וממוצע AUC נמוך יותר של 0.68. מודל הרגרסיה הלוגיסטית השיג תחזיות נכונות של 100% ל-COPD ושישה מתוך שבעה נכונים לזיהומים בדרכי הנשימה, כפי שמוצג במטריצת הבלבול, מה שמעיד על דיוק סיווג גבוה. מודל היער האקראי סיווג בטעות מקרה אחד של COPD ושני מקרים של זיהום בדרכי הנשימה, מה שהוביל לדיוק סיווג נמוך יותר בהשוואה למודל הרגרסיה הלוגיסטית.
במאגר הנתונים של הבדיקה, מודל הרגרסיה הלוגיסטית הניב ביצועי סיווג מצוינים, והשיג ערך AUC של 0.95. מודל היער האקראי הראה ביצועי בדיקה נמוכים יותר עם ערך AUC של 0.76.
View the full transcript and gain access to thousands of scientific videos
סקירה
מחקר זה מתמקד באבחון אקוסטי, תוך שימוש בניתוח אותות קול ולמידת מכונה כדי לחלץ מאפייני קול ייחודיים לסיווג מוקדם לא פולשני של מחלת ריאות חסימתית כרונית וזיהומי דרכי הנשימה. המחקר מדגיש את השילוב של טכניקות מתקדמות בעיבוד אותות דיבור ואלגוריתמים של למידת מכונה.
מרכיבי מחקר עיקריים
תחום המדע
- מדעי המוח
- למידת מכונה
- אבחון אקוסטי
רקע
- ניצול ניתוח אותות קול לסיווג מחלות.
- אתגרים בתרגום קליני עקב מחסור בנתונים והכללת מודלים.
- שיקולים אתיים בנושאי פרטיות ופרשנות.
- התקדמויות עדכניות בניתוח קול מונע בינה מלאכותית.
מטרת המחקר
- לבצע אוטומציה של סיווג COPD ו-RTI באמצעות נתוני צלילי שיעול.
- לחקור את האפקטיביות של טכניקות למידת מכונה באבחון אקוסטי.
- להתמודד עם אתגרים ביישום אבחון מבוסס קול בסביבות קליניות.
שיטות ששימשו
- רכישת נתוני צלילי שיעול ממטופלים.
- יישום אלגוריתמים של למידת מכונה כגון רשתות עצביות מתכנסות ומכונות וקטור תמיכה.
- שימוש בכלי עיבוד אותות כמו MFCCs.
- פיתוח מסד נתונים של מדד תכונות קולי.
תוצאות עיקריות
- סיווג מוצלח של קטגוריות שונות של צלילי שיעול.
- זיהוי דפוסים הקשורים למחלה באותות קול.
- תובנות לגבי האפקטיביות של בינה מלאכותית באבחון מוקדם.
- דיון באתגרים שנתקלו בפרשנות נתונים והכללת מודלים.
מסקנות
- המחקר מדגים את הפוטנציאל של ניתוח קול באבחון מחלות נשימה.
- מדגיש את הצורך לטפל במחסור בנתונים ונושאים אתיים.
- מעודד מחקר נוסף ביישומי למידת מכונה בתחום הבריאות.
שאלות נפוצות
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.
