编辑推荐：
上气道狭窄（Upper airway stenosis）伴喘鸣（stridor）易被误诊，延误治疗。研究人员训练定制 Transformer 模型，用低成本数据检测气道狭窄和喘鸣，AUC 分别达 0.875 和 0.864 ，有望用于临床筛查，提升医疗效率。
在医疗领域，气道狭窄是一个潜藏着巨大危险的病症。它就像气道中的 “隐形杀手”，悄无声息地威胁着患者的生命安全。当气道出现狭窄时，不仅会阻碍正常的呼吸，还可能引发喘鸣这一异常呼吸声音。然而，令人担忧的是，气道狭窄和喘鸣常常被误诊为哮喘或其他呼吸道疾病。这种误诊可不是一件小事，它可能导致患者无法及时接受正确的治疗，病情不断恶化，甚至危及生命。就像在黑暗中摸索，患者因为错误的诊断，得不到有效的帮助，健康状况每况愈下。
为了解决这个棘手的问题，来自美国国立卫生研究院临床中心介入肿瘤学中心、牛津大学、南佛罗里达大学等多个机构的研究人员联合开展了一项重要研究。他们的研究成果发表在《Scientific Reports》上，为气道疾病的诊断带来了新的希望。
研究人员为了实现更精准的气道疾病诊断，采用了多种关键技术方法。首先，他们收集了来自两个主要来源的数据，构建了统一数据集，其中包括上气道狭窄、喘鸣、其他呼吸 / 声音疾病患者以及普通对照人群的音频记录。接着，让患者完成张口强制吸气（FIMO）和正常深呼吸（DB）两项声学任务，并用多种设备收集音频数据 。之后，对数据进行预处理，将音频信号分割成 2.5 秒的片段，并进行标准化、归一化等操作，再通过 YAMNet 模型生成嵌入矩阵。最后，训练定制的 Transformer 模型，利用嵌套 k 折交叉验证评估模型性能。
下面来看看具体的研究结果：
- 气道狭窄检测：训练的 Transformer 模型在检测气道狭窄方面展现出了一定的能力，其 AUC 值达到了 0.875 。当敏感度校准为 0.85 时，总体特异性为 0.725 。不过，模型在将其他呼吸对照组误判为患有气道狭窄的情况相对较多。进一步分析发现，不同年龄组和性别之间，模型的 AUC 得分存在差异。例如，女性患者的 AUC 得分较高，这与现实中该疾病多影响中年女性的情况相符。
- 喘鸣检测：针对喘鸣检测任务，Transformer 模型同样取得了不错的成果，AUC 得分为 0.864 ，总体特异性为 0.684（敏感度为 0.85 时）。在验证和测试集中，仅使用 FIMO 数据时，训练了 FIMO 和 DB 数据的模型效果最佳。而未使用 DB 数据训练的模型，AUC 得分较低，为 0.846 ，在一般对照队列中的特异性也有近 4% 的差异。
在研究结论和讨论部分，此次训练的定制 Transformer 模型，凭借非侵入性数据，在气道狭窄和喘鸣的筛查中展现出了潜力。这意味着，基于低成本、弱注释的呼吸记录，有可能识别出相关病例，为新型数字健康技术的开发提供了方向 。不过，研究也存在一些局限性。比如，数据集范围有限，标注方式可能导致数据错误，模型性能可能受音频硬件变化影响，并且模型在不同人群中的表现存在差异 。尽管如此，该研究成果意义重大。它为气道疾病的诊断提供了新的思路和方法，有望在急诊室、基层医疗等场景中发挥作用，辅助医护人员更高效地筛查患者，帮助患者及时获得专科医生的治疗，推动气道疾病诊断技术朝着更精准、更便捷的方向发展。
