DeepGB-TB：用于快速可解释结核病筛查的风险平衡交叉注意力梯度提升卷积网络
机器学习
2026-02-03 v2 人工智能
声音
音频与语音处理
摘要
大规模结核病（TB）筛查受限于传统诊断方法的高成本和操作复杂性，这为人工智能解决方案的需求增长。我们提出 DeepGB-TB，一个非侵入性系统，仅使用咳嗽音频和基本人口统计数据即可即时分配结核病风险评分。该模型将轻量的一维卷积神经网络用于音频处理，与梯度提升决策树用于表格特征相结合。其核心创新是交叉模态双向交叉注意力模块（CM-BCA），在模态之间进行关键线索的迭代交换，模拟了医生如何整合症状和风险因素。为满足临床优先考虑减少漏诊的需求，我们设计了结核病风险平衡损失函数（TRBL），对虚假阴性预测施加更大的惩罚，从而降低高风险误分类。DeepGB-TB 在来自七个国家收集的 1105 名患者多样化数据集上进行评估，实现 AUROC 为 0.903，F1 分数为 0.851，代表性地达到了新的状态。其计算效率使其能够在常见移动设备上进行实时、离线推理，使其适用于资源有限的环境。重要的是，该系统产生经临床验证的解释，促进了前线医护人员的信任和采纳。通过将 AI 创新与公共卫生对速度、 affordability 和可靠性的要求相结合，DeepGB-TB 为全球结核病控制提供了一项工具。
引用
@article{arxiv.2508.02741,
title = {DeepGB-TB: A Risk-Balanced Cross-Attention Gradient-Boosted Convolutional Network for Rapid, Interpretable Tuberculosis Screening},
author = {Zhixiang Lu and Yulong Li and Feilong Tang and Zhengyong Jiang and Chong Li and Mian Zhou and Tenglong Li and Jionglong Su},
journal= {arXiv preprint arXiv:2508.02741},
year = {2026}
}
备注
Accepted by AAAI 2026 (oral)