用于非小细胞肺癌检测的自动咳嗽分析
机器学习
2025-07-28 v1
摘要
非小细胞肺癌(NSCLC)的早期检测对于改善患者预后至关重要，需要新的方法来促进早期诊断。在本研究中，我们探索使用自动咳嗽分析作为区分NSCLC患者和健康对照者的预筛查工具。前瞻性地收集了总共227名受试者（分为NSCLC患者和健康对照者）的咳嗽音频记录。使用机器学习技术（如支持向量机(SVM)和XGBoost）以及深度学习方法（特别是卷积神经网络(CNN)和基于VGG16的迁移学习）对记录进行分析。为了增强机器学习模型的可解释性，我们利用了Shapley加法解释(SHAP)。通过比较最佳模型在不同年龄组（≤58岁和>58岁）和性别上的表现（使用测试集上的等机会差异），评估了模型在不同人口统计群体间的公平性。结果表明，CNN取得了最佳性能，在测试集上的准确率为0.83。尽管如此，SVM取得了略低的性能（验证集准确率0.76，测试集准确率0.78），使其适用于计算能力较低的场景。将SHAP用于SVM解释进一步增强了模型透明度，使其在临床应用中更值得信赖。公平性分析显示，测试集上年龄（0.15）的差异略高于性别（0.09）。因此，为了加强我们研究结果的可靠性，需要一个更大、更多样化且无偏的数据集——特别是包含NSCLC风险个体和早期疾病阶段的个体。
引用
@article{arxiv.2507.19174,
title = {Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection},
author = {Chiara Giangregorio and Cristina Maria Licciardello and Vanja Miskovic and Leonardo Provenzano and Alessandra Laura Giulia Pedrocchi and Andra Diana Dumitrascu and Arsela Prelaj and Marina Chiara Garassino and Emilia Ambrosini and Simona Ferrante},
journal= {arXiv preprint arXiv:2507.19174},
year = {2025}
}
备注
Emilia Ambrosini and Simona Ferrante equally contributed to the work