SympCoughNet:基于症状的音频辅助COVID-19检测
Yuhao Lin1, Xiu Weng2, Bolun Zheng1
1School of Automation, Hangzhou Dianzi University, Hangzhou, China.
Frontiers in digital health
|March 27, 2025
概括
这项研究介绍了SympCoughNet,这是一种深度学习模型,使用咳声音和临床症状来检测COVID-19. 整合症状数据显著提高了比仅用音频方法的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能的人工智能
- 呼吸系统医学 呼吸系统医学
背景情况:
- 由于低效率和有限的可访问性,COVID-19诊断面临着核酸测试,抗原测试和CT成像等现有方法的挑战.
- 目前使用声健康信号 (咳,呼吸声音) 检测COVID-19往往忽略了有价值的临床症状数据,导致准确度低于最佳.
- 需要快速,方便和准确的COVID-19检测方法,利用多种数据源.
研究的目的:
- 开发和评估SympCoughNet,这是一种用于COVID-19音频分类的深度学习模型,它将咳声音与临床症状数据集成在一起.
- 通过通过症状编码道权重结合症状信息来提高COVID-19检测准确度.
- 通过废除研究评估症状整合对模型性能的影响.
主要方法:
- 开发了SympCoughNet,这是一个集结咳声音和临床症状数据用于COVID-19音频分类的深度学习网络.
- 采用症状编码通道加权来改善特征处理和注意症状信息.
- 使用基于CNN的架构进行了废除研究,将症状视为分类标签来评估症状整合的影响.
主要成果:
- 在测试组中,SympCoughNet获得了89.30%的准确性,94.74%的AUROC和91.62%的PR,超过了传统的仅音频方法.
- 整合临床症状数据显著提高了COVID-19检测性能.
- 废除研究证实,该网络有效地利用咳音频来推断与症状相关的信息,即使症状被用作分类标签.
结论:
- 将临床症状数据与咳音频信号相结合是改善COVID-19检测准确性的有希望的方法.
- SympCoughNet展示了深度学习模型的潜力,以提高传染病的诊断能力.
- 进一步的研究应该考虑准确的症状报告对模型预测的影响,并探索声健康信号分析的更广泛应用.
