面向数据驱动的嗓音障碍分类优化：提升准确性与泛化性

《Frontiers in Digital Health》：Data-driven refinements for voice disorder classification: improving accuracy and generalisability

　　

随着机器学习模型在声带病理学领域的持续进步，其性能日益受到分类任务所采用的分类学结构（而非建模技术本身）的制约。传统临床框架虽根植于诊断实践，但往往反映的概念性分组无法与现代语音人工智能（Voice AI）系统所学习的声学模式 cleanly 映射——这导致了 persistent 的多分类与二分类检测任务之间的性能差距。基于这种不匹配，研究人员引入了一种替代策略：从数据驱动的声学关系而非预设临床类别中推导分类学，旨在建立一种更贴合模型且更具泛化性的嗓音障碍分类基础。研究人员开发了CarLab 2025，一种基于模型混淆模式衍生的新型数据驱动分类框架。研究人员开展了全面实验，将其性能与现有临床分类学进行比较，包括层级式USVAC 2025框架以及Compton 2022、da Silva Moura 2024和Za'im 2023，跨越多种发声任务、特征和模型架构。研究人员评估了域内性能和跨数据库泛化性，包括多任务学习和目标数据注入实验。CarLab 2025在域内分类准确性方面优于已建立的临床分类学，平衡准确率达到67.20%，而表现最佳的临床框架为61.03%。对于域外泛化，使用结构化分类学训练的模型持续优于使用窄化单障碍标签训练的模型，且在多样化发声任务上训练比依赖单一任务更能有效提升跨数据库性能。多任务学习未显示出相对于单任务训练的优势，且虽然注入少量来自目标域的数据显著提升了二分类检测准确性，但这种改善并未持续转化为多分类召回率的提升。研究人员的实验通过与障碍声学表现更紧密对齐，建立了超越现有临床分类框架的基线性能。研究人员进一步证明，接触多样化的录音条件对二分类泛化至关重要，而稳健的多分类泛化将需要 substantially 更多样化的多源训练数据。研究结果为实现更稳健、更具泛化性的声带病理检测模型提供了清晰的循证路径。

研究背景与问题

嗓音人工智能（Voice-based AI）作为新兴领域，有望通过非侵入性、可扩展的健康监测方式革新医疗保健，其中最 promising 的应用之一是将嗓音作为生物标志物（biomarker）。然而，要使嗓音生物标志物有效用于检测系统性或神经性疾病，首先必须严格验证其准确识别和分类原发性嗓音障碍的能力。嗓音障碍提供了受损声带功能的直接且显著的表现，使其成为开发和评估人工智能驱动声学分析方法的理想试验平台。尽管自动化系统能够可靠地区分正常与病理性嗓音（常达到90%以上的平衡准确率），但当需要区分特定障碍类型时，其性能显著下降：当前多分类系统通常仅达到50%–60%的平衡准确率，这一 substantial 的性能差距限制了其临床应用。

这一性能差异源于多重因素。现有临床分类框架主要为临床文档记录和病例管理而开发，并非针对机器学习应用。这些框架通常基于病史、推定病因和临床表现来组织障碍分类——这些因素可能与声音信号中声学特征的表现方式不一致。其次，信号处理技术捕获的声学表征可能与临床实践中依赖的听觉感知特征存在 substantial 差异，造成临床分类学与机器可学习模式之间的错配。这种错配的根本在于源-滤波器模型（source-filter view）的视角：声带产生准周期性声门信号，其基频、强度和频谱丰富度取决于声带质量、张力和内收程度，而声道则通过发音器官依赖性共振塑造该信号。临床分类学部分按生理机制、部分按管理路径（通常为非手术 vs 手术）分组，但仅基于音频信号训练的模型只能看到整合后的源-滤波器输出。

研究开展与核心发现

为解决上述问题，研究人员提出了三个关键研究问题：（1）基于模型混淆模式的数据驱动分类框架能否在域内数据集上实现优于现有临床定义分类法的分类准确性？（2）分类框架、模型架构和发声任务的选择在多大程度影响模型向未见域外数据库泛化的能力？（3）多任务学习或目标数据注入等策略干预能否缓解跨数据库分类任务的性能退化？

研究人员的关键贡献包括：（1）提出CarLab 2025——一种基于数据驱动的方法，在域内多分类上 demonstrably 优于现有分类法；（2）提供跨数据库性能的对比分析，揭示结构化临床分类学（包括CarLab 2025）比窄化单障碍标签具有更强的稳健性；（3）证明虽然多任务架构无显著优势，但在多样化发声任务上训练以及用少量来自不同录音环境的样本增强训练集可改善域外数据表现。

关键技术方法

本研究使用萨尔布吕肯语音数据库（Saarbruecken Voice Database, SVD）作为同数据库训练、验证和测试的数据源，选取至少50例独特患者的诊断类别，采用70/10/20的患者层级分层分割，并确保测试集中每类不少于10例患者。对于跨数据库评估，使用高级语音功能评估数据库（AVFAD）、马萨诸塞眼耳医院（MEEI）数据库、Uncommon Voice和VOICED四个独立数据库，仅作为测试集使用。特征提取方面采用梅尔频率倒谱系数及其差分与双差分（MFCC_DD）、Wav2Vec和UnispeechSAT三种特征表示。模型架构为深度前馈网络读取层，包含两组线性层、ReLU激活和层归一化（隐藏层大小1024），使用Adam优化器和交叉熵损失进行训练。CarLab 2025框架的推导分为两个阶段：首先训练窄分类模型获取混淆矩阵，然后采用贪婪合并搜索算法基于平衡准确率最大化原则自动构建层级结构，最终形成Auto A（主要包括功能性发声障碍、功能性发声过度和精神性发声障碍）、Auto B（喉炎、白斑和声带息肉）和Auto C（Reinke氏水肿和复发性麻痹）三个数据驱动分组。

研究结果

CarLab 2025的域内性能优势

CarLab 2025在域内测试中达到67.20%的平衡准确率，显著优于USVAC 2025 Level 1（61.03%）、da Silva Moura 2024（63.09%）、Compton 2022（56.61%）和Za'im 2023（56.60%）。配对Wilcoxon符号秩检验显示，CarLab 2025在所有9个（特征，任务）单元中均优于比较框架，bootstrap 95%置信区间为[+3.08,+5.93]至[+14.05,+17.91]个百分点，精确p值达到最小可能值≈0.004。混淆矩阵可视化表明CarLab 2025的对角线亮度高于其他框架，显示各类别性能均衡提升。然而，逐类召回率分析表明，CarLab 2025的优势并非来自均匀的逐类优势，而是源于其在其他分类法最易混淆的类别上表现更强。具体而言，USVAC 2025 Level 1虽然在部分类别（如白斑召回率71% vs CarLab 2025的58%）上表现更佳，但其功能性发声障碍、功能性发声过度和肌紧张性发声障碍类别表现较差，导致整体平衡准确率受损。

多任务学习的无效性

多任务和多标准训练未能带来 consistent 的性能改善。在5个分类层级上，单任务与多任务之间的配对Wilcoxon检验未能拒绝零中位数差异假设（p=0.19，平均差异+2.30个百分点，95% CI [?0.13,+4.10]跨越零点）；单任务与多标准之间同样无显著差异（p=1.00）。研究人员假设，纳入分类层级的多个层次并未显著增加训练信号的多样性，鉴于类别之间存在重叠，这解释了有限增益的原因。

跨数据库泛化的挑战与发现

跨数据库评估揭示了严重的域偏移问题。大多数模型在域外二分类检测中 struggling，甚至接近50%的随机水平。MFCC_DD在意外的域外场景中表现优于预训练的SSL特征（Wav2Vec和UnispeechSAT），后者在多个数据库上出现完全的模式崩溃。MEEI数据库因正常与病理样本之间的录音设置存在系统差异，引入了潜在的混淆因素。

在更具临床意义的病理类别区分任务中，结构化分类学显示出明显优势。在匹配粒度（4–5类）的比较中，CarLab 2025在MEEI上的平均逐类召回率为45.16%，显著高于USVAC 2025 Level 2（35.22%）和da Silva Moura 2024（28.28%），窄分类法最低（25.21%）。窄分类法虽然实现了最佳的二分类检测性能，但在将MEEI诊断映射到一致类别方面表现最差，显示出更少的强类别亲和性。

发声任务多样性的作用

模型在多样化发声任务（短语、/a/、/i/、/u/）上训练时，跨数据库二分类检测表现优于单一任务训练。值得注意的是，虽然仅使用/a/在VOICED数据库（仅含/a/数据）上表现较好，但全任务训练仍然优于仅/a/训练，表明模型学习到跨任务泛化的特征。然而，全任务训练在同数据库测试中的性能略低于仅短语训练，揭示了优化目标与泛化目标之间的潜在 tension。集成实验表明，限制为/a/和短语即可达到与全任务相当的效果，/i/和/u/的贡献有限。

数据注入的策略性局限

目标域数据注入实验揭示了模型对录音条件的过度敏感：仅注入正常样本导致特定数据库上的性能崩溃（模式崩溃为正常类别），但同时意外改善了完全未见过的AVFAD数据库性能，表明模型确实学习到不同录音条件的知识并可泛化。注入病理和正常样本显著提升了注入数据库的二分类检测准确性。然而，最关键的负面发现是：二分类检测的注入增益未能转移至多分类召回率。配对Wilcoxon符号秩检验未能拒绝零中位数差异假设（p=0.30，平均差异+2.67个百分点，95% CI [?2.42,+7.33]跨越零点），注入在多分类召回率上无统计可检测的改善且呈轻微负面趋势。

讨论总结

临床意义与数据驱动分组的价值

CarLab 2025的成功验证了核心假设，其数据驱动分组虽常偏离传统临床定义，但与有意义的声学症状学 aligned。例如，悉尼大学嗓音诊所将功能性发声过度归类为肌紧张性发声障碍的亚型，而CarLab 2025将其与功能性和精神性发声障碍归为Auto A，更接近da Silva Moura提出的分类法。Reinke氏水肿与复发性麻痹通常被视为不同实体，但被模型归为Auto C。这些重组在域内和外部数据集上均改善了分类准确性，表明其捕获了稳定的、机构独立的声学模式。基于声学症状学的分类框架可能为未来临床应用——特别是在异质性或低资源环境中——提供更可复制和可扩展的基础。

录音条件的关键影响与数据多样性需求

研究揭示了模型对录音条件的高度敏感性及对表面特征的过度依赖。仅注入来自额外数据库的正常样本即可改善完全未见数据库的性能，表明拓宽录音环境暴露有助于模型解耦病理与录音伪影。当前临床实践中的数据收集多在受控低噪声环境中进行，这 inadvertently 鼓励模型利用环境规律性而非病理线索。构建能跨机构和设备泛化的系统，必须使训练数据涵盖可变的背景噪声、麦克风类型、录音协议和声学环境。

研究局限性

分析受限于跨数据库诊断标签的可用性，约半数数据因未分类标签而无法使用；跨框架比较仅限于单一主训练数据集（SVD）；二分类与多分类之间的性能差距表明当前方法可能尚未完全捕捉细粒度分类所需的区分性特征；数据注入的二分类改善未能 consistent 转化为多分类增益；Auto A/B/C分组的临床合理性基于合作者的评论而非正式盲审；排除共病情况代表 significant 局限，因真实临床场景常涉及多重并发诊断。

研究结论

本研究验证了数据驱动分类框架可改善声带病理多分类的假设。CarLab 2025在域内准确性和跨数据库多分类召回率上均优于已建立的临床分类法。结构化分类学在域外环境中持续优于窄化单障碍标签，多样化发声任务训练对跨数据库性能更为有效。多任务和多标准训练无优势；有限目标域数据注入虽 materially 改善了二分类检测，但未扩展至多分类召回率，表明二分类任务对录音条件暴露更敏感，而稳健的多分类泛化需要 substantially 更大的数据多样性。该研究为开发更稳健、更具泛化性的声带病理检测模型提供了清晰的循证路径。