跨数据集心音杂音分类泛化：域条件性能基准研究与多表征融合的作用

《Journal of Clinical Medicine》：Cross-Dataset Generalization in Phonocardiogram Murmur Classification: A Benchmark Study of Domain-Conditional Performance and the Role of Multi-Representation Fusion

　　

摘要 背景/目的： 自动化心音图（PCG）分析是扩大心脏听诊规模的候选工具，但许多研究报告的内部准确率可能无法反映模型应用于不同来源记录时的性能。本研究评估了一系列分类器跨PCG数据集的泛化能力，并检验了多表征架构是否能改善跨数据集迁移。方法： 研究在儿科CirCor DigiScope数据集上训练了十一种方法，并在两个外部数据集上进行了无目标域微调的评估：一个异质性成人/混合数据集（PhysioNet/Computing in Cardiology Challenge 2016数据库）和一个同质性五类开放获取心音数据集。这些方法涵盖经典机器学习（支持向量机、随机森林）、标准深度模型（1D-CNN、2D-CNN、ResNet1D、CNN-BiLSTM及两种混合网络）、基于图像的骨干网络（EfficientNet-B0、MaxViT），以及一个提出的四分支融合模型（PCG-MambaConformer），该模型结合了原始信号、梅尔频谱图（mel-spectrogram）和连续小波变换（CWT）表征。此外还进行了阈值迁移与精确率-召回率分析、对抗性域适应、不确定性量化基准测试、疾病特异性迁移分析、多架构集成、分支消融、标签分组敏感性分析、互逆（反向）迁移实验以及可解释性分析（特征空间t-SNE与类可分性指标、Grad-CAM显著性）。性能以受试者工作特征曲线下面积（AUROC）及灵敏度和特异性进行总结。结果： 深度模型的内部AUROC相近（约0.82–0.90），且基本与参数量无关，而经典模型较低（0.67–0.69）。在异质性外部数据集上，最高AUROC为0.738，且九个深度模型在所检查的三个阈值下均未达到灵敏度和特异性同时不低于0.80。在同质性外部数据集上，PCG-MambaConformer达到了0.985的AUROC（0.5阈值下灵敏度0.718，特异性0.995），而其他模型则倾向于坍缩为全正常或全异常预测。对抗性适应改善了同质性目标域的性能，但降低了异质性目标域的性能。在异质性目标域上，即使使用最优阈值，平均仅将平衡准确率提高了0.022；而在同质性目标域上，源域推导阈值仅对PCG-MambaConformer产生了平衡的工作点（灵敏度0.863，特异性0.980）。反向训练（PhysioNet/CinC Challenge 2016至CirCor）的模型迁移效果同样不佳（AUROC 0.612–0.677）。分支消融显示，四个单分支配置中有三个坍缩为单类工作点，而完整融合模型取得了最高AUROC；特征空间分析表明，成功的迁移与目标域的类可分性（同质性数据集的轮廓系数最高）相关，而非与数据集质心的接近度相关。结论： 在所评估的两个外部数据集中，成功的跨数据集PCG迁移与目标域的同质性相关；由于这些数据集在人群、记录协议、疾病谱、类别分布和信号质量方面也存在差异，同质性不能被孤立地视为迁移性的唯一决定因素。内部准确率是外部行为的弱指标，模型复杂度本身并未弥合异质性迁移差距，而在同质性目标域上实现平衡的跨数据集性能与多表征融合相关。在同质性目标域上的近乎完美结果应被解读为在有利、高度精选条件下的技术性跨数据集迁移，而非临床外部验证；而异质性结果则更现实地反映了当前的局限性。这些发现支持在独立数据上进行多指标外部评估，并在考虑任何临床应用之前进行前瞻性临床验证。

论文解读：跨数据集心音杂音分类泛化性能的系统性基准研究

一、研究背景与问题提出

心脏听诊作为一种无创、廉价且广泛可用的心血管疾病初筛手段，其诊断效能高度依赖操作者技能。随着超声心动图的普及，未经辅助的听诊可靠性有所下降，尤其在资源受限地区，这一差距更为显著。自动化心音图（PCG）分析因此被视为扩大心脏听诊规模、提供一致性决策支持的潜在途径。尽管过去十年间，监督机器学习和深度学习方法已被广泛应用于PCG分类，且众多研究报告的内部准确率颇高，但一个核心隐忧始终存在：模型在训练数据来源之外的记录上，性能往往显著下降。这种数据集偏移（dataset shift）和外部效度有限的问题，在临床机器学习领域已被广泛记录。对于PCG而言，数据集之间在记录设备、患者年龄、声学环境和疾病患病率上的差异构成了相当的迁移风险，然而多数已发表模型仅通过内部交叉验证进行评估，缺乏对跨数据集迁移能力的系统性考察。此外，模型置信度的校准也是部署时的重要考量，不确定性估计在域偏移下是否仍然可靠，是开放且具有临床相关性的问题。本研究正是针对这些空白，开展了一项系统的跨数据集基准测试。

二、研究设计与核心发现

研究人员以单一内部数据集（CirCor DigiScope）作为训练来源，选取了两个特征对比鲜明的外部数据集进行零样本（zero-shot）评估：一个异质性、多来源的成人/混合数据集（PhysioNet/CinC 2016），以及一个同质性、单协议的五分类数据集（Yaseen 2018）。研究共评估了十一种方法，涵盖经典机器学习、标准深度模型、基于图像的骨干网络以及一个提出的多表征融合模型（PCG-MambaConformer）。研究旨在达成三个目标：比较各方法的内部与外部性能；检验对抗性域适应、多架构集成和不确定性量化能否弥合迁移差距；通过消融、疾病特异性分析和可解释性方法，刻画跨数据集泛化成功或失败的条件。

研究得出的核心结论是：在所评估的两个外部数据集中，成功的跨数据集泛化与目标域的同质性相关。内部准确率是外部行为的弱指标，模型复杂度本身无法弥合向异质性、多来源数据集的迁移差距。在同质性目标域上，多表征融合模型实现了平衡且可复现的泛化性能（AUROC 0.985）；而在异质性目标域上，没有任何方法——无论是经典、深度、图像骨干、经域适应还是集成方法——能取得超过适度的判别能力（最高AUROC 0.738）。对抗性域适应仅在目标域内部一致时有益，不确定性方法在分布外输入上的可靠性也各不相同。研究强调，同质性目标域上的平衡性能应被解读为在有利、高度精选条件下的技术性跨数据集迁移，而非临床外部验证；异质性结果则更现实地反映了当前的能力局限。

三、关键技术方法概述

研究采用了一套统一的数据预处理流程，应用于所有三个数据集：重采样至2000 Hz，带通滤波（25–400 Hz），削波，幅度归一化，并分割为5秒片段。对于每个片段，计算三种表征：归一化原始波形、对数梅尔频谱图（log-mel spectrogram）和连续小波变换（CWT）尺度图。模型架构方面，经典基线（SVM-RBF、随机森林）使用63维特征向量；标准深度模型包括1D-CNN、2D-CNN、ResNet1D、CNN-BiLSTM及两种混合网络；图像骨干网络包括EfficientNet-B0和MaxViT；提出的PCG-MambaConformer为四分支特征融合网络，分别处理原始波形、频谱-时间表征、CWT尺度图和原始信号。训练仅在CirCor数据集上通过五折患者不重叠交叉验证进行，外部评估完全零样本。此外，研究还实施了对抗性域适应（DANN）、四种不确定性量化方法比较、多架构集成、分支消融、疾病特异性分析、互逆迁移实验以及可解释性分析（t-SNE、Grad-CAM）。

四、研究结果分述

内部与外部性能对比： 内部AUROC在所有深度模型中相近（约0.82–0.90），且与参数量无关；经典模型明显较低（0.67–0.69）。外部性能与内部性能急剧分化，且两个外部数据集呈现相反的难度特征。内部性能是外部行为的弱指标。

同质性目标域上的平衡泛化： 在所有方法中，仅PCG-MambaConformer在同质性外部数据集上实现了平衡工作点，AUROC达0.985，灵敏度0.718，特异性0.995，显著高于所有其他深度模型。该结果在状态空间分支的两种独立实现中均可复现。

异质性目标域仍未解决： 在异质性CinC数据集上，最佳单模型AUROC为0.738（EfficientNet-B0），提出的融合模型仅为0.601。三个性能最高的模型之间无显著差异，表明没有任何架构在该目标域上具有实质优势。互逆实验中，CinC训练的模型迁移至CirCor同样不佳（AUROC 0.612–0.677）。

工作点迁移与阈值重校准： 在异质性目标域上，即使使用目标最优阈值，平均仅将平衡准确率提升0.022，失败属于判别性失败而非阈值放置失败。在同质性目标域上，多个看似完全坍缩的模型在目标最优阈值下恢复了平衡准确率，表明信息存在但决策边界错位。然而，使用源域推导阈值（零样本部署中唯一可用的规则），仅PCG-MambaConformer实现了平衡工作点（灵敏度0.863，特异性0.980）。

域适应是有条件的： 对抗性域适应（DANN）在同质性Yaseen目标域上将AUROC从0.806提升至0.916，但在异质性CinC目标域上从0.727降至0.675，表明对齐至内部一致的靶标有益，而对齐至异质性混合体有害。

疾病特异性迁移、泄漏检查与标签分组敏感性分析： 疾病特异性分析显示，主动脉瓣狭窄和二尖瓣反流迁移良好，而二尖瓣狭窄和二尖瓣脱垂迁移较差，与杂音的声学显著性一致。记录标识符比对确认无重叠，排除数据泄漏。排除131条未知杂音记录后，内部AUROC上升但外部性能全面下降，表明暴露于模糊低质量记录是一种隐式鲁棒性约束。

不确定性、集成与消融： 四种不确定性方法互补而非统一排序，集成和dropout方法在分布内/外不确定性上产生正分离，而证据方法选择性预测最强但未能可靠标记分布外输入。多架构集成未解决跨数据集问题。分支消融显示，四个单分支配置中有三个坍缩为单类工作点，完整四分支模型AUROC最高；移除CWT分支造成最大性能下降。

特征空间与显著性分析： t-SNE投影显示同质性Yaseen记录形成紧凑、类纯净的簇，而异质性CinC记录与内部分布混杂。轮廓系数追踪了跨数据集的迁移质量，而质心距离不能解释迁移结果。Grad-CAM显示模型关注周期性高能心音事件区域，支持表征的生理合理性。

五、讨论与结论总结

讨论部分指出，同质性目标域的成功与异质性目标域的失败是互补而非矛盾的。异质性结果应被解读为标签偏移、人群偏移和相关的分析前混杂因素共同作用的结果，而非表征融合本身的缺陷。年龄偏移是研究中一个重要的临床组成部分，但互逆实验表明其并非CinC性能上限的充分解释。研究强调，内部交叉验证不足以证明泛化能力，需要多指标外部评估和前瞻性临床验证。结论重申：成功的跨数据集泛化与目标域同质性相关，内部准确率是外部行为的弱指标，多表征融合在同质性目标域上实现了平衡泛化，而异质性结果更现实地反映了当前能力。研究支持在独立外部数据上进行多指标评估，随后进行前瞻性临床验证，并在考虑任何临床应用前，将建模和适应策略与目标域特征相匹配。