您好，我很乐意帮助您回复Dolu, K.O.对这篇文章的评论。但是，我目前无法获取该评论的具体内容。 如果您能提供Dolu, K.O.评论的具体要点、提出的问题或批评意见，我可以帮您： 1. **撰写一封正式、专业的回复信**，逐一回应评论中的各项意见 2. **用学术语言**表达感谢并阐明您论文中的方法学立场 3. **提供可能的修改方向**，以加强论文对机器学习驱动肺音分析在哮喘诊断中应用的相关论证 请您分享该评论的具体内容，我将尽快为您起草回复

《Advances in Respiratory Medicine》：Reply to Dolu, K.O. Comment on “Topaloglu et al. Machine Learning-Driven Lung Sound Analysis: Novel Methodology for Asthma Diagnosis. Adv. Respir. Med. 2025, 93, 32”

　　

感谢您转发关于我们已发表文章（《机器学习驱动的肺音分析：哮喘诊断的新方法学》）[1] 的外部评论。我们感谢有机会澄清评论者提出的观点，并提供额外的方法学细节以增强透明度。

(1)

关于外部验证数据集（ICBHI 2017）的澄清

我们想澄清，我们的外部验证并非在包含多种呼吸病理学的全规范 ICBHI 2017 数据库上进行。由于 ICBHI 2017 数据集包含异质的诊断类别，我们手动选择了仅对应哮喘和健康对照类别的录音，以建立与我们研究设计一致的二元评估场景。此选择严格基于类别标签（而非基于信号质量或结果）。

随后，所选录音被分割成 3 秒窗口，以匹配应用于我们主要数据集的预处理工作流程，并确保方法学的一致性。因此，报告的“ICBHI 2017”外部验证结果应被解释为从 ICBHI 衍生的哮喘与健康子集中获得的结果，而不是整个数据集的结果。

(2)

准确率（表 4）与 ROC-AUC/AP（图 5）之间的明显差异

评论者注意到表 4 中报告的准确率与图 5 中窄神经网络模型显示的 ROC-AUC/平均精度（AP）值之间存在潜在的不一致。我们想澄清，这些指标源自相同的 10 折交叉验证输出，但它们衡量的不是相同的属性。

具体来说，报告的准确率（99.63%）是一个阈值依赖的指标，是使用选定的决策阈值下的折外硬决策类别标签计算的。相比之下，ROC-AUC（0.877）和 AP（0.868）是阈值无关的指标，是从折外连续模型分数/概率在所有可能阈值上计算得出的，反映的是排序/分离能力，而不是单一阈值下的分类结果。窄神经网络架构（较浅/低参数结构）可能在特定阈值下实现高准确率，同时产生校准程度较低或可分离性较差的分数分布，导致相对较低的 AUC/AP 值。因此，这一观察并不表示矛盾，而是反映了硬标签准确率与基于分数的判别指标的不同性质。

(3)

交叉验证、分割和数据泄露问题

我们承认在基于分割的呼吸音分类中避免数据泄露的重要性。我们的评估设计为分割一致地进行，并且交叉验证程序以确保测试折在训练期间完全未见的方式执行。

审查员在透明审查阶段已经询问了所有这些因素及其他更多因素，我们已相应地修改和更新了所有内容。

总之，我们认为评论者提出的问题主要与澄清和报告细节有关，而不是方法学上的不一致。如果需要，我们很乐意提交一份简短的澄清说明。

利益冲突

作者声明不存在利益冲突。

参考文献

1. Dolu, K.O. 对 Topaloglu 等人关于机器学习驱动的肺音分析：哮喘诊断的新方法学的评论。Adv. Respir. Med. 2025, 93, 32. Adv. Respir. Med. 2026, 94, 15. [谷歌学术] [CrossRef]

免责声明/出版商注： 所有出版物中包含的陈述、观点和数据仅为个别作者和贡献者的观点，而非 MDPI 和/或编辑的观点。MDPI 和/或编辑对因内容中提及的任何想法、方法、说明或产品而导致的人身或财产伤害不承担责任。

? 2026 版权所有，作者。由 MDPI 代表波兰呼吸学会出版。许可人 MDPI，瑞士巴塞尔。本文是一篇在知识共享署名 (CC BY) 许可协议的条款和条件下分发的开放获取文章。