利用基于关键病史的多模态方法提高喉癌检测的准确性

《Expert Systems with Applications》：Improved Laryngeal Cancer Detection Using a Critical History-Based Multimodal Approach

　　

王叙翔|程伟珍|王志德|洪朝祥|方世豪

元泽大学电气工程系，台湾桃园市中里区圆东路135号，320

摘要

人工智能的最新进展使得基于机器学习技术的自动语音分类系统得以开发。然而，由于喉癌的多因素性质，仅依赖语音特征往往是不够的。尽管将语音与医疗数据结合已被证明可以提高诊断准确性，但相关文献却非常少。为了更好地融合动态声波信号和静态医疗记录的信息，本研究提出了一种新的框架——基于关键病史的多模态系统（CHMS）。该框架通过系统分析特征重要性，将语音特征与关键表格数据相结合，以最大化相关性并最小化冗余，这些关键因素包括疲劳、年龄、性别、吸烟和产后抑郁（PPD）。此外，CHMS采用自监督学习（WavLM、wav2vec）和频谱特征提取方法以及集成学习（随机森林、LightGBM、TabPFN）在平衡袋装（Balanced Bagging）框架内工作，以改善类别不平衡情况下的分类性能。在内部FVD数据集上，CHMS的准确率（UAR）达到了0.84，敏感性为0.82，特异性为0.86，AUC为0.91。外部SVD评估显示，仅使用年龄和性别信息时，CHMS仍能保持稳定的性能，这证实了其适应性。这些结果证明了我们多模态方法在支持早期喉癌检测方面的可行性和鲁棒性。

引言

喉癌（Porter & Kaplan, 2011）是一种严重影响患者声音和呼吸的恶性肿瘤，极大地影响了他们的生活质量。早期和准确的诊断对于改善治疗结果和长期预后至关重要（Bailey, Johnson, & Newlands, 2006）。传统的诊断方法，如喉镜检查和感知性声音评估，严重依赖于临床医生的主观判断。尽管这些方法有效，但它们耗时且可能受到观察者间差异的影响。为了解决这些限制，最近的研究重点开发了基于机器学习和深度学习的自动客观工具。

在这些发展中，语音分析已在多个医学领域得到广泛应用，包括病理语音分类。例如，Jiang, Yan, Zhang, & Tao（2025）提出了一种基于扩散的病理语音生成框架，使用Hilbert-Huang重建技术来提高合成训练样本的多样性和真实性，以应对有限的病理语音数据问题。（Veetil, Sowmya, Orozco-Arroyave, & Gopalakrishnan, 2024）利用深度学习和变分模式分解技术通过多种语言的语音识别帕金森病。同样，（Rehman et al., 2024）应用传统机器学习算法区分病理语音障碍和健康语音。此外，（Fernández-Díaz & Gallardo-Antolín, 2020）引入了一种基于注意力的模型来评估语音可懂度，有效地突出了相关语音片段以进行准确评估。这些研究表明，语音信号包含适用于各种临床情况的宝贵诊断线索。

为了提高分类性能，最近的研究结合了不同的模态来利用互补的特征表示并提取互补特征以完成病理分类任务。例如，Kanagachalam & Kim（2025）为嵌入式边缘设备设计了一种少样本多模态分类方法，证明了即使在资源有限的条件下，轻量级多模态融合也能保持有效性。此外，Jiaqing, Yaqin, & Tao（2025）提出了一种基于交叉注意力的时频特征融合方法，强调了整合异构声学表示对于更准确病理语音检测的好处。这些最新进展强调了开发稳健多模态框架用于病理语音评估的重要性和紧迫性。

在喉癌检测的背景下，一些研究探索了使用音频特征（如倒谱系数、抖动、闪烁和声谐比（HNR）与各种分类器结合的方法（Aicha, 2020, Ben Aicha, Kacem, 2024, Wang, Chuang, Hung, Tsao, Fang, 2022）。虽然这些方法取得了有希望的结果，但它们仅依赖于语音数据，这可能不足以捕捉喉癌的复杂临床特征。为了克服单模态方法的局限性，最近的研究转向了多模态框架。例如，（Kwon, Wang, Shin, Cheon, Lee, Lee, Lim, Jo, Cho, Shin, 2022, Mohammed, Omeroglu, Oral, 2023）提出了一种结合喉部图像和语音数据的系统，使用分类器集成进行早期声门癌检测。相反，（Vaiciukynas, Verikas, Gelzinis, Bacauskiene, Minelga, H?llander, Padervinskis, Uloza, 2015, Verikas, Bacauskiene, Gelzinis, Vaiciukynas, Uloza, 2012）引入了一种视觉-语言融合框架，整合语音信号和喉部图像以进行更准确的诊断。这些多模态策略展示了信息融合在增强癌症分类模型鲁棒性和可解释性方面的潜力。

特别是对于病理语音分类，将语音与表格数据和人口统计数据结合已被证明可以提高诊断准确性。例如，（Fang, Wang, Chen, Tsao, & Lin, 2019）提出了一种两阶段深度学习框架，使用特征融合方法结合音频和表格数据。相比之下，（Wang, Chen, Lee, & Fang, 2024）提出了一种系统，结合语音、人口统计和表格数据来检测声门肿瘤。这些研究强调了将结构化健康信息与音频数据结合的临床相关性。然而，大多数现有的多模态方法都使用了完整的表格数据集，这可能会引入噪声并降低计算效率。

为了解决仅依赖语音方法的局限性，本研究提出了基于关键病史的多模态系统（CHMS），它将声学信息与精心选择的临床变量相结合。

在远东纪念医院数据集（FVD）上的实验结果表明，CHMS表现出稳健的性能，准确率为0.84，敏感性为0.82，特异性为0.86，AUC为0.91，在效率和准确性方面均优于之前的模型。此外，在外部Saarbruecken语音数据库（SVD）上的测试——该数据库仅包含年龄和性别信息——显示CHMS仍能保持稳定性能，证实了其对特征有限的数据集的适应性。

结果表明，策略性特征选择和集成建模融合为临床决策支持系统中的实际应用提供了一条实用且可解释的路径。

章节摘录

提出的方法

在本文中，我们提出了一种名为基于关键病史的多模态系统（CHMS）的新框架，用于喉癌分类。首先，使用WavLM、wav2vec和FFT处理语音数据以提取深度音频特征，然后使用PCA或统计方法进行降维。随后，将这些音频特征与表格数据结合进行分类。图1展示了所提出的框架。

数据集和评估指标

在这项研究中，我们使用了FVD和SVD两个数据集来训练和评估我们的喉癌分类模型。鉴于这些数据集中的严重类别不平衡，我们采用了10折交叉验证来确保评估的稳健性，并使用了敏感性、特异性、准确率和AUC等关键性能指标。

总体评估

为了对CHMS进行严格评估，我们将其性能与几种广泛使用的基线模型进行了基准测试，即TSD（Fang et al., 2019）、DNN（Wang et al., 2022）、SVM（Ben Aicha & Kacem, 2024）、GRU-CNN（Wang et al., 2024）和XGBoost（Chen & Guestrin, 2016）。为了公平比较，所有基线系统都在FVD数据集上重新进行了训练，使用的输入特征与CHMS相同，遵循图1中的工作流程（即信号预处理、特征提取等）。

结论

本研究提出了CHMS诊断框架，它结合了语音特征和关键表格数据来辅助喉癌的检测。在使用FVD数据集的实验中，CHMS整合了五个关键表格特征（疲劳、年龄、性别、产后抑郁和吸烟），取得了最佳性能，敏感性为82%，特异性为86%，准确率为84%，AUC为91%。与现有模型相比，准确率提高了2%，敏感性提高了5%。

作者致谢

程伟珍：方法论、软件验证、正式分析、初稿撰写；王叙翔：概念化、正式分析、资源撰写、审阅与编辑监督；王志德：概念化、数据整理；洪朝祥：验证、撰写、审阅与编辑；方世豪：概念化、正式分析、资源撰写、审阅与编辑、项目管理

利益冲突声明

作者声明他们没有已知的可能影响本文报告工作的财务利益或个人关系。