《Frontiers in Digital Health》：A deep learning approach for acoustic-based identification of muscle tension dysphonia and spasmodic dysphonia
编辑推荐：
问题：仅凭听觉感知区分痉挛性发声障碍（SD，一种神经性疾病）和肌紧张性发声障碍（MTD，一种行为性嗓音障碍）是临床常见挑战。这种诊断困难可能导致适当治疗延迟，凸显了对客观、可靠的辅助诊断工具的需求。目的：本研究旨在开发并验证一种基于深度学习的AI模型，仅使用语
问题：仅凭听觉感知区分痉挛性发声障碍（SD，一种神经性疾病）和肌紧张性发声障碍（MTD，一种行为性嗓音障碍）是临床常见挑战。这种诊断困难可能导致适当治疗延迟，凸显了对客观、可靠的辅助诊断工具的需求。目的：本研究旨在开发并验证一种基于深度学习的AI模型，仅使用语音录音自动区分健康嗓音、SD和MTD，并将其诊断性能与人类专家进行比较。方法：研究人员对1,597个嗓音样本（595个健康、471个MTD、531个SD）进行回顾性分析。将语音音频处理为Log-Mel谱图。采用预训练的卷积神经网络（CNN），包括VGG16、ResNet50和DenseNet161，进行迁移学习，执行二分类（健康与患病）和三分类（健康与MTD与SD）任务。在独立测试集上评估模型性能，并与四位耳鼻喉科医生的诊断评估进行比较。结果：AI模型在区分健康与患病嗓音方面达到89.5%的准确率（AUC?=?0.956）。在更复杂的三分类任务中，模型准确率为71.6%，各类别的AUC分别为0.957（健康）、0.731（MTD）和0.855（SD）。该性能超过了人类专家，后者在相同测试集上二分类平均准确率为78.2%，三分类平均准确率为60.6%。结论：基于普通话病理嗓音数据集训练的深度学习模型，仅使用语音音频信号即可在区分SD与MTD方面取得良好性能，分类结果与经验丰富的临床专科医生相当。该技术有望成为嗓音障碍初步筛查和鉴别诊断的客观辅助工具。
研究背景与问题：痉挛性发声障碍（SD）是一种局灶性喉肌张力障碍，特征为声带不自主痉挛，导致嗓音紧张和间断性中断；肌紧张性发声障碍（MTD）则是一种功能性障碍，由喉部和喉周肌肉过度紧张引起，常与心理因素、嗓音滥用或代偿机制相关。尽管两者病理生理机制不同，但常表现出重叠的听觉特征和近乎无法区分的喉镜表现，尤其在非典型病例中。这种诊断模糊性导致治疗路径根本不同（SD需肉毒素注射，MTD仅需嗓音治疗）的情况下，误诊会延误恰当治疗，造成不必要的操作和潜在伤害。现有AI技术在嗓音障碍诊断中多局限于二分类（正常与病理），缺乏针对SD与MTD的三分类鉴别诊断研究。因此，本研究旨在开发一种基于深度学习的AI模型，仅利用语音录音自动区分健康嗓音、SD和MTD，填补这一空白。
研究人员开展的研究与结论：研究人员从广东省人民医院和深圳市人民医院耳鼻喉科回顾性收集2012年12月至2024年4月的1,597个嗓音样本（595健康、471 MTD、531 SD），均为临床明确诊断病例，排除共病。将语音音频处理为Log-Mel谱图，采用预训练的VGG16、ResNet50和DenseNet161进行迁移学习，结合集成学习（平均概率）进行二分类（健康与患病）和三分类（健康与MTD与SD）任务。在独立测试集（324样本）上，模型二分类准确率89.5%（AUC 0.956），三分类准确率71.6%（MTD AUC 0.731，SD AUC 0.855）。与四位耳鼻喉科专家（2位资深喉科医生、1位主治喉科医生、1位言语治疗师）比较，模型三分类准确率（71.6%）显著高于人类专家（59%-60.5%），且模型内部一致性完美，而人类专家评分的重测信度（ICC）较低。热力图（Grad-CAM）显示：正常嗓音高频区激活集中，SD低频区激活集中，MTD高频区弥散激活。该研究发表在《Frontiers in Digital Health》。
主要关键技术方法：研究人员采用基于预训练卷积神经网络（CNN）的迁移学习框架，具体使用了VGG16、ResNet50和DenseNet161三个子模型，通过集成学习（平均softmax概率）生成最终预测。语音音频先经重采样（44.1 kHz）、预加重、分帧、加窗（窗长1024，步长512）、1024点FFT、64个Mel滤波器组（0-22 kHz）及对数功率转换，生成Log-Mel谱图作为输入。训练时采用SpecAugment技术进行频率和时间掩码数据增强。模型使用AdamW优化器和OneCycleLR调度器，交叉熵损失函数，基于验证准确率早停。样本队列来自广东省人民医院和深圳市人民医院耳鼻喉科，共1597例。
研究结果（保留每个小标题）：
- **二分类与三分类性能**：通过二分类实验（健康 vs. 患病），模型在测试集上的准确率为89.5%，敏感性92.2%，特异性85%，AUC 0.956。三分类实验（健康 vs. MTD vs. SD）中，模型准确率71.6%，敏感性70.2%，特异性85.8%，AUC 0.855（健康0.957，MTD 0.731，SD 0.855）。亚组分析（以40岁为界）显示年龄无显著影响（P值不适用或0.057）。
- **与人类专家的比较**：在相同测试集上，四位人类专家三分类准确率分别为59%（资深喉科医生A）、60.5%（资深喉科医生B）、59%（主治喉科医生）和57.1%（言语治疗师），均显著低于模型（P<0.001）。模型在MTD和正常嗓音识别上显著优于人类，在SD识别上略优。人类专家内部一致性ICC较低（0.384-0.760），而模型一致性完美。
- **热力图分析**：通过Grad-CAM生成热力图，显示正常嗓音高频区域激活集中，SD低频区域激活集中，MTD高频区域弥散激活。SD热力图上的宽空白带对应声带过度内收时的间歇性嗓音中断，MTD的高频弥散激活反映代偿性肌肉过度活动。
总结讨论：模型在二分类中表现优异，三分类性能中等，主要受限于SD与MTD临床特征重叠、样本量有限（尤其SD亚型无法细分）、MTD声学变异性大。与人类专家相比，模型在三分类任务中准确率更高，且消除了主观变异，可快速处理（秒级 vs. 小时级），展现了作为客观辅助筛查工具的潜力。热力图可视化增强了模型可解释性，验证了临床有效性。局限性包括：样本仅来自南方中国两所医院，规模有限；仅使用音频信息，未整合多模态临床数据；未评估真实噪声环境下的鲁棒性。未来研究将扩大多中心、多方言队列，开发多模态AI模型，并进行前瞻性临床试验。
研究结论：本研究在基于声学的嗓音障碍诊断领域做出了显著贡献，核心价值体现在三个方面：第一，开发并验证了仅依赖语音信号进行SD与MTD初步声学鉴别的AI框架，填补了现有研究多聚焦于二分类而非亚型鉴别的空白；需注意该模型仅基于声学信息，其鉴别效果为初步声学分析而非全面临床鉴别诊断。第二，该模型在内部测试集中表现出与经验丰富的临床专家相当的预测能力，展示了声学AI作为嗓音障碍客观辅助筛查工具的潜力。第三，突出了模型的可扩展性能：持续积累多源临床声学数据可能进一步提高其准确性和稳定性，为迭代优化和实际部署奠定基础。该模型可作为SD和MTD的辅助初步筛查工具，自动化语音信号分析缩短了亚型鉴别时间，减轻了临床工作负荷，尤其适用于专科资源不足的机构。最终，本研究是将AI工具嵌入常规嗓音障碍评估的探索性第一步，后续工作将完善系统，优化标准化嗓音障碍评估并惠及患者。
