通过使用可解释的机器学习和临床医生评级,从音频录音中检测声麻的模型中识别偏差
Daniel M Low1,2, Vishwanatha Rao3,4, Gregory Randolph4,5
1Program in Speech and Hearing Bioscience and Technology, Harvard Medical School, Boston, Massachusetts, United States of America.
PLOS digital health
|May 30, 2024
概括
机器学习模型可以从语音录音中检测单边声麻 (UVFP),表现优于临床医生. 解决录音偏差是准确的语音障碍查的关键.
科学领域:
- 喉科和语音科学 喉科和语音科学
- 医疗保健中的机器学习
- 生物医学信号处理
背景情况:
- 语音录音提供了一种非侵入性的方法来选语音障碍.
- 早期发现单边声麻 (UVFP) 可以防止昂贵的临床程序.
- 机器学习 (ML) 模型在分析声学特征以检测疾病方面表现有前途.
研究的目的:
- 开发用于从语音录音中检测UVFP的ML模型.
- 为了确定对UVFP预测至关重要的声学变量.
- 将ML模型的性能与临床医生的评估进行比较.
主要方法:
- 利用77名UVFP患者和77名对照者的语音记录.
- 采用了四个不同复杂度的ML模型.
- 应用了SHapley添加式解释 (SHAP) 来进行特征重要性分析.
- 调查并减轻了音频持续时间和强度的数据集偏差.
主要成果:
- 最好的ML模型实现了0.87的中位数ROC AUC,超过了临床医生的表现 (0.74-0.81).
- 确定了记录时间和强度的数据集偏差,并影响了分类.
- 缓解这些偏差允许模型保持高性能.
结论:
- 机器学习模型可以使用语音录音有效检测UVFP.
- 解决记录偏差对于开发强大的ML选工具至关重要.
- 提供了建议,以防止在未来的ML模型开发中产生偏见.
