基于CNN-RNN融合模型的肺音分析实现呼吸系统疾病早期诊断

《Scientific Reports》：Deep Learning-Driven Early Diagnosis of Respiratory Diseases using CNN-RNN Fusion on Lung Sound Data

本研究针对传统肺音分析主观性强、诊断一致性差的问题，开展基于卷积神经网络（CNN）与循环神经网络（RNN）融合的深度学习模型研究。通过处理ICBHI和Coswara数据集中的肺音信号，结合梅尔频谱图特征提取与时空依赖性建模，实现了肺炎、哮喘、慢性阻塞性肺疾病（COPD）及COVID-19的高精度分类（最高准确率达94.0%）。该模型通过加权映射策略（如将爆裂音关联肺炎、哮鸣音关联哮喘/COPD）提升诊断特异性，并集成Grad-CAM提供可解释性可视化，为智能听诊器及远程医疗应用奠定技术基础。

　　

呼吸系统疾病是全球公共卫生的重大挑战，每年导致数百万人死亡。传统诊断依赖医生通过听诊器分析肺音（如哮鸣音、爆裂音），但存在主观性强、诊断一致性低的问题，易导致误诊或治疗延迟。随着人工智能技术的发展，深度学习为肺音分析提供了自动化、高精度的新思路。然而，现有模型多局限于二分类或缺乏临床可解释性，且难以同时捕捉肺音的时空特征。为此，Thulasi Bikku等研究者在《Scientific Reports》发表研究，提出一种融合卷积神经网络（CNN）和循环神经网络（RNN）的深度学习模型，旨在实现多类呼吸系统疾病的早期精准诊断。

研究采用CNN提取梅尔频谱图中的空间特征，并通过RNN（具体为长短期记忆网络LSTM）建模时间序列依赖关系。关键技术方法包括：

1. 1.
   使用ICBHI（含5000余条肺音记录）和Coswara（含COVID-19相关咳嗽与呼吸音）公共数据集；
2. 2.
   数据预处理采用100 Hz高通滤波、2.5秒帧分割与梅尔频谱图转换；
3. 3.
   通过音高偏移、时间拉伸等数据增强技术解决类别不平衡问题；
4. 4.
   模型训练使用Adam优化器（学习率0.001）与交叉熵损失函数，并集成Grad-CAM生成可解释性热力图。

模型架构设计

研究提出一种混合CNN-RNN架构，其中CNN部分包含3个卷积层（3×3卷积核）、3个最大池化层和2个全连接层，用于从梅尔频谱图中提取频域特征；RNN部分包含2个LSTM层，用于学习肺音信号的时序模式。该设计通过加权映射策略（如将爆裂音权重关联肺炎，哮鸣音权重关联哮喘/COPD）增强疾病特异性识别能力。

性能评估结果

在ICBHI数据集上，模型对健康人群、肺炎、哮喘和COPD的分类准确率分别为93.3%、93.8%、91.7%和94.0%，F1分数均超过0.91。在Coswara数据集中，对COVID-19的检测准确率达92.31%。相比支持向量机（SVM）和随机森林等传统算法，该模型在精度、召回率等指标上均显著提升。

可解释性分析

通过Grad-CAM可视化技术，模型能够突出显示梅尔频谱图中与疾病相关的关键区域（如哮喘患者的持续性高频哮鸣音区域），为医生提供决策依据，增强临床信任度。

讨论与结论

该研究通过融合CNN与RNN架构，有效解决了肺音分析中时空特征提取的难题，并结合多源数据集与可解释性技术，提升了模型的泛化能力和临床适用性。未来工作可扩展至更多呼吸道疾病类型，并探索在可穿戴设备中的实时监测应用。该成果为呼吸系统疾病的早期筛查提供了一种自动化、高可靠性的AI驱动方案，对改善全球呼吸道健康管理具有重要意义。