Tri-MTL：面向呼吸疾病诊断的三任务学习方法
机器学习
2025-05-13 v1 人工智能
声音
摘要
听诊诊断是临床实践的基石，对于初始评估和持续监测至关重要。医生会结合患者的病史和检验结果，通过听诊肺部声音来做出诊断。鉴于这种强关联性，多任务学习（MTL）可以为同时建模这些关系提供引人入胜的框架，将呼吸声模式与疾病表现相结合。虽然 MTL 在医疗应用中显示出巨大的潜力，但仍存在一个 significant research gap，即理解呼吸声、疾病表现和患者元数据属性之间的复杂相互作用。本研究探讨了将 MTL 与最新深度学习架构集成以增强呼吸声分类和疾病诊断的作用。具体而言，我们扩展了近期关于元数据对呼吸声分类有益影响的最新发现，并在 MTL 框架中评估其效果。我们的全面实验结果表明，将听诊器信息纳入 MTL 架构后，在肺部声音分类和诊断性能方面都实现了显著提升。
引用
@article{arxiv.2505.06271,
title = {Tri-MTL: A Triple Multitask Learning Approach for Respiratory Disease Diagnosis},
author = {June-Woo Kim and Sanghoon Lee and Miika Toikkanen and Daehwan Hwang and Kyunghoon Kim},
journal= {arXiv preprint arXiv:2505.06271},
year = {2025}
}
备注
Accepted to EMBC 2025