arXiv · Signal Processing· Wensi Zhang, Tomas Teijeiro, Jérôme Thevenot 等 4 人
· 3 天前
为什么基于机器学习的咳嗽模型无法泛化:面向结核病筛查的系统性跨数据集评估
Why ML-based cough models do not generalize: a systematic cross-dataset evaluation for tuberculosis screening
预印本 · 尚未经过同行评审
AI 导读
基于咳嗽的结核病筛查模型跨数据集泛化失败,外部ROC-AUC常低于0.6。
摘要 · AI 翻译
咳嗽声学在无创结核病(TB)筛查中具有前景,但机器学习(ML)模型捕捉到的是疾病相关声学特征还是数据采集过程中产生的伪影,这一问题仍未解决。我们在三个独立数据集上评估了经典机器学习与深度学习(DL)咳嗽型TB分类器的跨数据集泛化能力。尽管数据集内性能中等(ROC-AUC 最高达 $0.76 \pm 0.06$),两条流程均无法泛化,外部性能常低于 0.6,提示数据可能存在局限。我们进一步观察到,音频表征按录音设备和数据集而非TB状态组织,预测的TB概率在 CODA 中与国家级患病率同步变化,设备不匹配会降低迁移性能,而设备多样化训练可改善迁移。此外,临床变量基线泛化更为一致(ROC-AUC $0.65-0.71$),表明声学中采集相关的特异性变异是泛化不良的更强驱动因素。数据集内高性能并不足够。在基于咳嗽的TB模型具备临床可用性之前,外部验证至关重要。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Signal Processing · arxiv.org