我正在撰写关于Topaloglu等人在《Advances in Respiratory Medicine》[1]上发表的文章《Machine Learning-Driven Lung Sound Analysis: Novel Methodology for Asthma Diagnosis》的评论。尽管该研究将机器学习创新地应用于数字化听诊，但方法论和报告的某些方面需要进一步澄清，以确保科学的可追溯性和可重复性。
首先，手稿提到了使用“ICBHI 2017”数据集进行外部验证，并描述了一个包含47名哮喘患者和27名健康受试者的评估队列[1]。然而，据记载，标准的ICBHI 2017呼吸声音数据库实际上包含126名参与者和920条录音[2]，并且在这一基准资源中，哮喘仅由一名患者代表[3]。此外，手稿中的数据可用性声明提到了一个托管在Kaggle上的数据集，名为“Asthma Detection Dataset Version 2 (ICBHI 2017)”[1","span tabindex="0" role="link" class="html-reference" aria-label="Reference 4" reference-link="#B4-arm-94-00015">4]。综合这些信息，关于外部验证数据的具体来源和版本存在歧义，这直接影响了该研究与之前基于ICBHI的研究的可重复性和可比性。
其次，报告的性能指标似乎内部不一致。表4显示基于窄神经网络的模型准确率为99.63%，而图5显示该模型的ROC-AUC为0.877，平均precision为0.868[1]。如果这些指标是基于相同的评估协议得出的，那么需要澄清以下几点：(i) 用于计算ROC/PR的连续分数是什么（概率值还是决策分数），(ii) 分析的单位（段级还是参与者级），以及(iii) 如何将10折交叉验证的结果汇总（逐折平均还是合并预测）[1]。
第三，手稿描述将录音分割成3秒的窗口[1]。虽然提到了基于参与者层次的分层交叉验证[1），但手稿并未明确指出预处理和特征选择步骤（包括ReliefF）是否严格在每个训练折叠内完成（即作为一个完全嵌套的流程）。在基于分割的研究中，非嵌套的预处理或特征选择可能导致性能估计的偏差，因此应明确记录，理想情况下应附有流程图或代码可用性说明[1]。
总之，明确外部验证数据集的具体内容及其与标准ICBHI 2017资源的关系，以及提供关于指标计算和交叉验证工作流的透明细节，将大大提高这项研究的方法论透明度。
利益冲突
作者声明没有利益冲突。
| 免责声明/出版商说明：所有出版物中包含的陈述、观点和数据仅代表个别作者和贡献者，并不代表MDPI和/或编辑。MDPI和/或编辑对因内容中提到的任何想法、方法、说明或产品而导致的任何人员伤害或财产损失概不负责。 |
? 2026 作者所有。本文由MDPI代表波兰呼吸学会出版。授权方为位于瑞士巴塞尔的MDPI。本文遵循知识共享署名（CC BY）许可协议的条款和条件进行分发。
