利用机器学习、临床摘要笔记和生命体征预测慢性阻塞性肺疾病
利用全球最大的公开医疗数据库中的呼吸声音，结合经验模式分解和谱分析等方法，训练多个机器学习模型对不同健康状况进行分类诊断，从而大大提高辅助和远程诊断能力。
Sep, 2023
对咳嗽数据驱动的机器学习/深度学习检测和初步诊断框架进行了综合概述，包括显著特征的详细列表，并分析了引起咳嗽的机制和呼吸模式的潜在咳嗽特征，以及定制咳嗽监测应用和其基于人工智能的识别算法。此外，还详细讨论了发展实用、强大和普遍解决方案的挑战和未来研究方向。
Sep, 2023
针对慢性阻塞性肺疾病（COPD）的早期风险预测问题，首次提出了基于深度学习的DeepSpiro方法，通过构建稳定的体积-流量曲线、提取关键特征、解释模型以及基于关键补丁凹陷的风险预测，能够准确预测高风险患者未来1至5年及更长时间内的COPD风险，实验结果表明其AUC值为0.8328。
May, 2024
COVID-19和可解释机器学习在呼吸系统疾病预测中的应用，对未来研究和临床实践具有重要意义。通过综述各种机器学习模型，探索其能够整合现有临床领域知识和学习新信息的能力，以提高卫生管理系统的准备和应对能力，改善患者预后和减轻呼吸系统疾病对社会的影响。
May, 2024
使用50名患者的研究，我们发现使用持续元音可以提高对慢性阻塞性肺病在语音中表现的识别准确率，从71％的基准提高到最高79％的无权重平均召回率，并鉴定和解释了表征COPD的最重要的声学特征。
Jun, 2024
本研究针对慢性阻塞性肺疾病（COPD）预测的不足，提出了两种基于人工智能和自然语言处理的新型预测模型。这些模型结合了呼吸总结记录、症状和生命体征，有望显著提高COPD加重患者的及时监测和预警能力，预测准确率达到0.82的ROC曲线下面积。
Aug, 2024
本研究针对现有基于咳嗽声音的呼吸疾病诊断方法存在的数据规模限制和模型性能不足的问题，提出了一种统一框架，对多种深度学习模型进行评估。通过自监督和监督学习结合的大规模咳嗽数据集分类方法，实验结果显示该方法在COVID-19和慢性阻塞性肺疾病的分类任务中超越了以往研究，其AUROC达到了92.5%。
Aug, 2024
本研究解决了咳嗽声音数据在呼吸疾病诊断中的应用不足，特别是在数据量小且标注困难的背景下。我们提出了一种新颖的方法，结合自监督和监督学习，在大规模咳嗽数据集上进行呼吸疾病分类。实验结果表明，该方法在新冠病毒诊断和慢性阻塞性肺疾病分类上均优于现有技术，获得92.5%的AUROC。
Aug, 2024
本研究解决了当前呼吸疾病诊断和管理依赖专业临床测试的局限性，提出了一种基于机器学习的算法，用于在家监测接受持续正压呼吸治疗患者的呼吸状态。研究发现，随机森林分类器在准确性上优于其他模型，尤其是考虑呼吸频率后，这为将呼吸评估从临床环境转移到家庭提供了新的可能性，提升了可及性和患者自主性。
Sep, 2024