人工智能检测鳞状腺癌的语音分类基准

鳞状腺癌病例预计在未来几年会显著增加。当前诊断路径效率低下，对患者和医疗系统造成不必要的压力。人工智能通过从患者语音中实现非侵入式检测鳞状腺癌，为更有效地优先安排就诊 referrals 提供了可行的解决方案。这一领域的主要障碍是缺乏可重复的方法。我们的工作通过引入由 36 个在开源数据集上训练和评估的模型组成的基准套件来解决这一挑战，这些模型对良性和恶性语音病理情况进行分类。所有模型均 accessible in a public repository，为未来研究提供了基础。我们评估了三个算法和三个音频特征集，包括仅音频输入和整合人口统计和症状数据的多模态输入。我们的最佳模型实现了平衡准确率为 83.7%，灵敏度为 84.0%，特异度为 83.3%，以及 AUROC为 91.8%。