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

本研究は、音声信号解析と機械学習を用いて、慢性閉塞性肺疾患および呼吸器感染症の非侵襲的早期分類のために特徴的な声の特徴を抽出する音響診断に焦点を当てています。この分野で最近の進展には、AI駆動の音声解析、畳み込みニューラルネットワークやサポートベクターマシンなどの機械学習技術、MFCC(ミックスコル・コマックス)のような信号処理ツール、そして音信号中の疾患関連パターンを検出するための可変音響センサーなどがあります。音声診断の臨床翻訳における主な課題の一つはデータの希少性です。

その他の課題には、モデルの一般化の限界、プライバシー倫理、利益相反、解釈可能性の障壁などがあります。声の特徴指標データベースを組み立てた後、SPSSを開き、適切なデータファイルを読み込みます。メニューバーから「分析」を選択し、「ノンパラメトリック検定」を選択し、「レガシーダイアログ」を選択し、「2つの独立サンプル」をクリックしてください。

ポップアップダイアログボックスで、「テスト変数リスト」セクションで比較対象の観測変数を選択します。次に、グループ化変数の中からグループ化に使用する変数を選択します。「グループ定義」ボタンをクリックし、ポップアップウィンドウで2つのグループの識別子を入力してください。

テストタイプの中で、マン・ホイットニーUテストを選択します。OKをクリックしてテストを実行し、SPSSが自動的に出力を生成できるようにします。主成分分析の場合は、データをまとめてExcelまたはCSV形式で保存し、SPSSバージョン20.0にインポートしてください。

ファイルを開くには、ファイルを選択し、次に「Open」、次に「Data」を選び、適切なファイルを選択します。主成分分析を開始するには、「分析」をクリックし、次元削減を選択し、「因子」を選択してください。ダイアログボックスで、主成分解析で使用されるすべての連続変数を変数欄に追加します。

抽出ボタンをクリックし、抽出技術として主成分法を選択してください。主成分を保持する基準として固有値を1より大きいものを選択します。回転方法を選択し、「回転」をクリックしてVarimaxかPromaxのいずれかを選びます。

オプションの項目では、砂利図と係数行列の両方を出力に含めて、保持されたバリアントを評価するために砂利図と係数行列の両方を確認してください。すべての設定を完了したら、OKをクリックして解析を実行し、SPSSで出力を生成させます。主成分負荷行列を解釈し、主成分と元の変数との関係を評価します。

負荷値が高い変数を特定しましょう。これらはコンポーネントの変化により大きく寄与します。各主要成分がどれだけ分散を説明しているかを評価するには、総分散説明表を用いてください。分散比率の大きい主成分を特定してください。これらは通常、データのばらつきの大部分を捉えています。

どの成分を保持すべきかは、地盤図を参照してください。曲折点を特定し、すべての成分をその点の左側に保ちます。主成分スコアが必要な場合は、解析を実行する前に「変数として保存」を確認してください。

SPSSは各サンプルのスコアをデータセット内の新しい変数として追加します。主成分分析では、6つの主要成分が特定され、合計で総分散の76.8%を占めました。ロジスティック回帰モデルは3つの検証フォールドで安定した性能を示し、AUC値は0.71、0.74、0.88で、平均AUCは0.77となりました。

対照的に、ランダムフォレストモデルはより大きな変動を示し、フォールドAUCスコアは0.69、0.52、0.83で、平均AUCは0.68と低くなっていました。ロジスティック回帰モデルはCOPDに対して100%正確な予測を達成し、呼吸器感染症については7回中6回が正確であることが混乱行列に示されており、高い分類精度を示しています。ランダムフォレストモデルはCOPD患者1例と呼吸器感染症2例を誤分類し、ロジスティック回帰モデルと比べて分類精度が低下しました。

テストデータセットでは、ロジスティック回帰モデルが優れた分類性能を示し、AUC値0.95を達成しました。ランダムフォレストモデルではテスト性能が低く、AUC値は0.76でした。