機械学習に基づく咳の緊張分類: 慢性閉塞性肺疾患および気道感染症の診断調査

Summary

この研究は、音声信号処理技術と機械学習アルゴリズムの統合を利用して、慢性閉塞性肺疾患 (COPD) と診断された患者から咳音データを取得することにより、2 つの異なるカテゴリの自動分類を効果的に達成しました。

Abstract

この研究の目的は、音声信号分析と機械学習を使用して、慢性閉塞性肺疾患 (COPD) 患者と気道感染症 (RTI) 患者を区別するための非侵襲的方法を開発および評価することでした。固定パターンの音声信号は、25 人の COPD 患者と 25 人の RTI 患者 (対照群/比較群として機能) から収集されました。多次元音声特徴分析を実行して、2 つのグループを有意に区別する特徴を特定しました。統計的に有意な特徴が選択され、次元削減が行われました。次に、ロジスティック回帰 (LR) モデルとランダム フォレスト (RF) モデルをトレーニングし、COPD と RTI を区別する際の分類性能について評価しました。最初に 400 を超える音声機能が分析されました。18 の特徴は、COPD 患者と RTI 患者の間で非常に有意な差を示しました (P <; 0.05)。COPD 患者と RTI 患者を区別するタスクでは、LR モデルは 0.95 の曲線下面積 AUC を達成し、RF モデル (AUC = 0.76) を大幅に上回りました。この研究は、COPD と RTI を区別するための有望な非侵襲的ツールとして、音声分析と機械学習、特に LR モデルを使用することの実現可能性を実証しています。これは、呼吸器疾患の鑑別診断を必要とする臨床現場におけるこの音声ベースのアプローチの実用化とさらなる最適化の基盤を提供します。

Introduction

慢性閉塞性肺疾患 (COPD) と気道感染症は、世界規模で死亡率と罹患率に大きく寄与しています。COPD は、主に喫煙によって誘発される、気道と肺実質に影響を与える慢性炎症状態として定義されます。持続的な咳、呼吸困難、痰の産生の増加などの症状が特徴です¹。世界保健機関は、2030 年までに COPD が世界第 3 位の死因にランクされ、多大な経済的負担を課すと予測しています ^2,3。対照的に、気道感染症 (RTI) は世界の疾病負担の約 6% を占めており、虚血性心疾患、HIV 感染、がん、マラリア、下痢性疾患に関連する負担を上回っています⁴。

2 つの疾患の臨床症状、特に一般的な症状である咳の症状には実質的な類似性があるため、効果的な治療にはこれらの疾患を早期かつ正確に区別することが不可欠です ^5,6。従来の診断アプローチは、主に臨床症状の評価、肺機能検査、および臨床検査に依存しています⁷。COPD の従来の診断方法は症状の特定と評価....

Protocol

北京中医薬大学倫理委員会とその第三付属病院は、この調査研究を承認しました。すべての参加者は、参加について書面によるインフォームドコンセントを提供しました。2024 年 7 月から 8 月にかけて、北京中医薬大学第三附属病院の呼吸器内科から 25 人の COPD 患者のコホートが募集されました。同時に、典型的な上部 RTI を持つ 25 人の患者からなる対照群も組み立てられました。

1. 参加者の選定

1. 包含基準
   1. バックグラウンドノイズが少なく、アーティキュレーションがクリアなオーディオサンプルを選択します。
   2. COPD グループの COPD 診断が、肺の専門家によって設定された臨床ガイドラインによって義務付けられていることを確認してください。
      1. GOLD 2024 基準に従って、気管支拡張薬投与後の肺活量測定 (FEV₁/FVC < 0.70) によって診断を確認します。
      2. 臨床的安定性の検証(4週間≥増悪なし)
   3. 比較グループが典型的な上部 RTI に苦しむ人々で構成されていることを確認してください。
      1. 呼吸器感染症診断・治療ガイドラインの診断基準を用いて診断します。
      2. 症状の発症時間を 7....

Results

データ分析結果

この研究では、時間領域分析、周波数領域分析、メル周波数頭蓋係数 (MFCC) の抽出、TCM 診断による特徴指標の変更などの方法を使用して、400 を超える音声特徴指標の分離に成功しました。時間領域の分析は音声信号処理において重要な要素であり、信号時系列データを直接操作して、エネルギー、オーバーゼロレート、線形傾向とエンベロープ、自己相関研究、振幅変調などの信号特性を直感的に理解することに焦点を当てています 16,17,18,19,20.周波数領域解析は、フーリエ変換を介して時間領.......

Discussion

この研究では、音声信号分析と機械学習技術を通じて COPD を検出するための非侵襲的方法を調査します。これには、25 人の COPD 患者と 25 人の RTI 患者から音声データを収集することが含まれていました。モデルは、LR および RF アルゴリズムを使用して構築されました。どちらのモデルも、サンプル全体を正しく分類する上で同様の精度を示しましたが、AUC値の違いは、LRモデルが感度と特異度の優れたバランスを提供する可能性があることを示しています。後続のセクションでは、研究成果の詳細な調査を提供します。

この研究では、LR モデルはテスト セットで 90% の精度を達成し、RF モデルは 80% の精度を達成し、LR モデルは AUC 値 0.95 に相当し、RF モデルは AUC 値 0.76 に相当します。これは、LRモデルの固有の単純さにより、過学習に対する耐性が強化され、小さなデータシナリオでの堅牢性が向上し、正確な分類のために18の主要な特徴を効率的に利用できるためである可能性があります。逆に、RF.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
デジタルレコーダー	ズーム	H6	ZOOMオーディオストア
GitHub	ギット	2.47.1.2	公式ウェブサイト
Matlab	マスワークス	R2024b	公式ウェブサイト
パイチャーム	ジェットブレインズ	2024.1	公式ウェブサイト
ニシキヘビ	ニシキヘビ	3.12	公式ウェブサイト