基于呼吸音的哮喘和慢性阻塞性肺疾病（COPD）人工智能筛查方法：采用多特征融合与CatBoost分类算法

《Scientific Reports》：Respiratory sound-based AI screening of asthma and COPD via multi-feature fusion and CatBoost classification

　　

摘要

哮喘和慢性阻塞性肺疾病（COPD）是全球主要的健康问题，其传统诊断方法依赖于资源密集型的肺功能检测（如肺活量测定）。本文提出了一种可复现的多模态呼吸声音筛查模型，该模型结合了声学特征和临床信息。该方法将手工制作的频谱-时间特征（如MFCCs、色彩信息、频谱对比度、Tonetz图、梅尔频谱图、Tempogram）与预先计算好的咳嗽和元音特征以及结构化的临床元数据相结合，并通过类加权CatBoost集成算法在标准化的AIRS Kaggle基准数据集上进行训练。该模型的整体准确率为90.3%，各类别的F1分数分别为：健康人群0.945、哮喘患者0.915、COPD患者0.842。系统性的实验表明，多模态特征融合（缺失全部特征时准确率下降7.8%）、注意力机制（下降4.9%）以及数据增强（下降6.7%）对模型性能有显著影响。此外，马修斯相关系数（MCC = 0.856）和Cohen’s Kappa系数（κ = 0.849）也证明了该模型在类别不平衡情况下仍具有较好的分类能力。通过梯度提升算法实现的结构化多模态特征融合，使得这种呼吸系统疾病筛查方法具备可扩展性和可复现性，适用于远程医疗应用。未来的研究应针对多样化的多机构临床队列进行前瞻性验证。