《Multiple Sclerosis and Related Disorders》：Voice analysis as a digital biomarker: A machine learning approach for automated multiple sclerosis classification
编辑推荐：
背景/目标：语音分析是一种非侵入性工具，能够捕捉多发性硬化（Multiple Sclerosis， MS）中的细微运动障碍。本研究的目标是开发和验证一个机器学习（Machine Learning， ML）框架，通过声学语音分析实现MS的自动分类。方法：一个30
背景/目标：语音分析是一种非侵入性工具，能够捕捉多发性硬化（Multiple Sclerosis， MS）中的细微运动障碍。本研究的目标是开发和验证一个机器学习（Machine Learning， ML）框架，通过声学语音分析实现MS的自动分类。方法：一个300名性别平衡的参与者队列（200名MS患者和100名健康对照）提供了持续元音录音。提取了15个声学特征。首先，一个弹性网络（elastic net）模型从开发队列（n=200）中识别出最相关的参数，然后用于训练五个监督式ML分类器。在变量选择和ML模型训练阶段，样本按80/20比例划分，并使用交叉验证来最小化过拟合。表现最佳的模型随后在一个独立的、未知的临床队列（n=100）中得到验证。结果：随机森林（Random Forest）模型展示了稳健的性能，并在独立验证中得到确认（ROC AUC = 0.85 [95% CI=0.76-0.93]，平衡准确率=0.80），显示出强大的判别能力，且独立于样本患病率。结论：语音分析与ML相结合，为MS判别提供了一种非侵入性、低成本且有效的方法，作为分类支持工具具有显著潜力。
多发性硬化（Multiple Sclerosis， MS）是一种中枢神经系统（central nervous system， CNS）的炎症性、自身免疫性、神经退行性疾病，其病因尚未明确。由于症状异质性广泛，早期检测面临挑战，许多患者出现运动、知觉和认知功能的下降，这表明识别特异性生物标志物以优化鉴别诊断并减少治疗干预延迟的紧迫性。语音改变是MS的常见症状，声学分析已作为一种非侵入性工具被研究用于检测神经退行性疾病，如帕金森病、肌萎缩侧索硬化症和MS。既往研究显示，MS患者与健康对照在声音时域声学参数上存在显著差异，这些差异暗示由无效发声导致的声带疲劳，且独立于由扩展残疾状态量表（Expanded Disability Status Scale， EDSS）评估的残疾进展，强化了该声学生物标志物是MS特有特征的假设。
研究人员开展本研究旨在开发和验证基于语音声学分析的监督式机器学习模型用于MS分类。研究采用三阶段方法：第一阶段利用惩罚回归模型选择最相关的声学参数；第二阶段评估并比较五种机器学习模型（随机森林、决策树、K近邻、支持向量机和极端梯度提升）的诊断性能，以识别对MS患者和健康对照具有最高判别准确性的模型；第三阶段在新样本中对所选模型进行临床验证。该研究发表在《Multiple Sclerosis and Related Disorders》。
主要关键技术方法包括：从西班牙La Laguna大学附属医院及Nuestra Se?ora de la Candelaria医院招募300名性别平衡的参与者（200名MS患者和100名健康对照），分为训练测试队列（n=200）和独立验证队列（n=100）。所有参与者录制持续元音/a/ 4秒，取中间3秒分析，利用VOXplot软件提取15个声学特征（包括频谱斜率、高频噪声、基频标准差等）。采用弹性网络（elastic net）模型筛选特征，然后训练五个监督式机器学习分类器，使用10折交叉验证优化超参数，并在独立临床队列中验证最佳模型（随机森林）的临床有效性。
研究结果如下：
**3.1 声学分析与模型训练**
通过比较MS患者组与健康对照组的声学变量，发现频谱斜率（Slope）、高频噪声（HFNO）、周期标准差（PSD）、谐噪比（HNR）和基频标准差（Pitch SD）等参数存在显著差异（p<0.05）。相关性分析显示这些声学特征与EDSS、疾病持续时间和年龄的相关性极弱（所有斯皮尔曼相关系数<0.30），提示它们主要反映MS状态而非残疾进展。弹性网络从15个特征中选出12个（剔除倾斜度Tilt、Shimmer和Shimmer dB），用于训练五种非线性模型。其中随机森林模型表现最优，在测试集上准确率为0.82，精确率为0.91，灵敏度0.81，特异度0.84，ROC AUC为0.84（95% CI:0.71-0.98）。相比之下，逻辑回归模型完全崩溃为多数类分类器（AUC=0.50），证实非线性方法的必要性。
**3.2 临床有效性评估**
在独立验证队列（100人，80名MS患者和20名健康对照）中，随机森林模型显示出与测试阶段一致的性能：准确率0.85（95% CI:0.70-0.87），精确率0.941，灵敏度0.8，特异度0.8，F1分数0.864，ROC AUC为0.85（95% CI:0.76-0.93）。平衡准确率0.80表明模型判别能力不受样本患病率影响，ROC曲线在测试集和验证集的一致性进一步支持其稳健性。
**3.3 疾病严重程度的探索性分析**
利用随机森林模型区分轻度残疾（EDSS≤3.0）和中重度残疾（EDSS>3.0）时，准确率仅为0.54，ROC AUC为0.47，表明声学参数不足以根据EDSS量表对疾病严重程度进行分层。
**3.4 极端残疾组的探索性分析**
对比极轻度残疾（EDSS<2, n=40）与重度残疾（EDSS≥6, n=33）患者，发现三个参数存在显著差异：周期标准差（PSD, p=0.020, 等级双列相关=0.28）、基频标准差（Pitch SD, p=0.010, 等级双列相关=0.34）和声门-噪声激发比（GNE, p=0.008, 等级双列相关=0.35）。值得注意的是，GNE在MS与健康对照的初步分析中未显示差异，提示其可能捕捉纯进展效应，而PSD和Pitch SD在早期即出现变化并保持稳定。
讨论部分总结：随机森林模型基于声学参数在区分MS患者与健康对照方面表现出色，但缺乏与残疾进展的线性相关。临床验证结果支持其作为分类支持工具的潜力，但需进一步纳入其他炎症或神经退行性疾病队列以验证鉴别诊断特异性，并在多中心研究中测试跨语言和记录环境的普适性。
研究结论可翻译如下：语音分析与机器学习相结合，为区分MS患者与健康对照提供了一种非侵入性、低成本且有效的方法，突显其作为分类支持工具的重要潜力。
