The Cleft palate-craniofacial journal : official publication of the American Cleft Palate-Craniofacial Association 2026年9月18日这项前瞻性单中心研究收集了40名2至17岁儿童（包括腭咽功能障碍患者、相关疾病患者及健康儿童）在言语语言病理学家指导下采集的语音样本，以CAPS-A-AM共识评分为参照，将高元音/i/和/u/的梅尔频谱图输入逻辑回归、EfficientNet-V2-S注意力多实例学习CNN以及CNN-XGBoost混合模型，在“无高鼻音(0)对比任何高鼻音(1-4)”和“无/边缘(0-1)对比轻至重度高鼻音(2-4)”两个阈值下进行二分类，结果显示多种独立建模方法均能识别临床评定的高鼻音，其中EfficientNet-V2-S在本队列中取得最高观测性能（F1=0.786-0.900），但置信区间重叠，尚无法证这项前瞻性单中心研究收集了40名2至17岁儿童（包括腭咽功能障碍患者、相关疾病患者及健康儿童）在言语语言病理学家指导下采集的语音样本，以CAPS-A-AM共识评分为参照，将高元音/i/和/u/的梅尔频谱图输入逻辑回归、EfficientNet-V2-S注意力多实例学习CNN以及CNN-XGBoost混合模型，在“无高鼻音(0)对比任何高鼻音(1-4)”和“无/边缘(0-1)对比轻至重度高鼻音(2-4)”两个阈值下进行二分类，结果显示多种独立建模方法均能识别临床评定的高鼻音，其中EfficientNet-V2-S在本队列中取得最高观测性能（F1=0.786-0.900），但置信区间重叠，尚无法证基于CAPS-A-AM评估语音样本的人工智能高鼻音诊断：儿童腭咽功能障碍中的初步可行性研究这项前瞻性单中心研究收集了40名2至17岁儿童（包括腭咽功能障碍患者、相关疾病患者及健康儿童）在言语语言病理学家指导下采集的语音样本，以CAPS-A-AM共识评分为参照，将高元音/i/和/u/的梅尔频谱图输入逻辑回归、EfficientNet-V2-S注意力多实例学习CNN以及CNN-XGBoost混合模型，在“无高鼻音(0)对比任何高鼻音(1-4)”和“无/边缘(0-1)对比轻至重度高鼻音(2-4)”两个阈值下进行二分类，结果显示多种独立建模方法均能识别临床评定的高鼻音，其中EfficientNet-V2-S在本队列中取得最高观测性能（F1=0.786-0.900），但置信区间重叠，尚无法证这项前瞻性单中心研究收集了40名2至17岁儿童（包括腭咽功能障碍患者、相关疾病患者及健康儿童）在言语语言病理学家指导下采集的语音样本，以CAPS-A-AM共识评分为参照，将高元音/i/和/u/的梅尔频谱图输入逻辑回归、EfficientNet-V2-S注意力多实例学习CNN以及CNN-XGBoost混合模型，在“无高鼻音(0)对比任何高鼻音(1-4)”和“无/边缘(0-1)对比轻至重度高鼻音(2-4)”两个阈值下进行二分类，结果显示多种独立建模方法均能识别临床评定的高鼻音，其中EfficientNet-V2-S在本队列中取得最高观测性能（F1=0.786-0.900），但置信区间重叠，尚无法证