利用众包呼吸声数据开发 COVID-19 的多变量预测模型
内容提要
多项研究探索利用深度学习分析咳嗽与呼吸音频预筛查COVID-19。模型集成优于传统方法，呼吸音频诊断性能更佳；支持向量机、多层感知机及ResNet50等分类器表现良好，自监督预训练和模型压缩可提升效率。结合声音与症状的AUC达0.79，为低成本无接触筛查提供依据。
延伸解读
模型集成与呼吸音频的优势
文章指出，深度学习模型的集成表现优于传统方法，尤其在呼吸音频上诊断性能更佳。这提示在开发COVID-19音频筛查工具时，可优先考虑呼吸音而非咳嗽音，并采用集成策略提升准确性。但需注意，不同研究使用的数据集和模型各异，实际部署前需进一步验证。
自监督预训练与模型压缩的实用价值
文章提到自监督预训练能利用未标记数据提升分类性能，而模型压缩技术可在不损失预测性能的前提下大幅减小模型大小和推理时间。这对于在资源有限的移动设备上部署筛查工具具有重要意义，但压缩后的模型在不同设备上的泛化能力仍需评估。
声音结合症状可提高筛查准确性
一项涉及343名参与者的研究显示，结合声音信号与报告症状可获得0.79的AUC、0.68的敏感性和0.82的特异性。这表明多模态信息融合能提升筛查效果，但敏感度相对较低，可能漏检部分阳性病例，因此更适合作为预筛查而非确诊工具。
数据集与可重复性的重要性
文章提及多个公开数据集（如COUGHVID、Virufy）以及提供分层折叠数据和模型细节的研究，这有助于交叉参数优化和验证。可重复性对推动该领域发展至关重要，但不同数据集的质量和标注标准可能影响模型性能，使用时需谨慎。
Q&A
利用呼吸声或咳嗽声检测COVID-19的深度学习模型，其诊断性能如何？
研究表明，深度学习模型的集成表现优于传统方法，尤其对呼吸音频具有更好的诊断性能。例如，一项研究使用端到端深度学习方法，ROC-AUC达到0.846；另一项研究结合声音信号和报告症状，获得了0.79的AUC、0.68的敏感性和0.82的特异性。
哪些机器学习或深度学习算法被用于基于声音的COVID-19检测？
研究中使用了多种算法，包括支持向量机（SVM）、多层感知机（MLP）、ResNet50分类器以及L3-Net等。其中，ResNet50分类器在咳嗽声识别中效果最佳，而L3-Net作为特征提取器在精确度-召回曲线下面积上具有优势。
如何提高基于声音的COVID-19检测模型的效率？
可以通过自监督预训练和模型压缩技术来提升效率。例如，对未标记数据进行对比性预训练，以及通过网络修剪和量化压缩模型，能在不降低预测性能的情况下大幅减小模型文件大小并缩短推理时间。
基于声音的COVID-19预筛查有哪些实际应用优势？
该方法具有使用方便、成本低廉、无接触等优点，可通过智能手机或Web获取呼吸或咳嗽音频，实现低成本预筛查，为大规模筛查提供了可能。
在基于声音的COVID-19检测中，使用了哪些公开数据集？
研究中使用了COUGHVID和Virufy数据集。例如，一项研究在COUGHVID和Virufy数据集上评估了支持向量机和多层感知机，表现出更好的分类性能；另一项研究通过公开的咳嗽检测算法筛选了COUGHVID数据集中的2000多个记录，并由肺科医生诊断。
结合声音信号和症状信息对COVID-19检测有何效果？
结合声音信号和报告症状可以提高检测性能。一项针对343名参与者的828个样本的研究发现，结合声音和症状可获得0.79的AUC、0.68的敏感性和0.82的特异性。
