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
核心概要
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
深度剖析
研究建立了一套以CAPS-A-AM标准化听觉感知评估为参照、基于梅尔频谱图的高鼻音AI检测工作流程与初步算法。 既往高鼻音评估依赖言语语言病理学家的听觉感知判断，本研究将标准化评估框架CAPS-A-AM与机器学习流程结合，探索在专家资源有限时提供可及性语音评估工具的路径。 前瞻性单中心设计，语音样本在言语语言病理学家指导下采集并建立共识评分，为模型开发提供了标准化参照；样本量为40名儿童。
多种独立建模方法（逻辑回归、EfficientNet-V2-S注意力多实例学习CNN、CNN-XGBoost混合模型）均能检测出临床评定的高鼻音。 研究同时评估了三种不同复杂度的机器学习方法，而非单一模型，说明高鼻音检测不依赖于某一种特定建模策略。 三种方法在同一队列、同一评估框架下比较，结果一致指向可检测性；但置信区间重叠，未能证明模型间优劣。
EfficientNet-V2-S在本队列中取得最高观测性能估计，F1分数为0.786至0.900。 该结果为基于梅尔频谱图的高鼻音分类提供了具体的性能参考区间，覆盖两个CAPS-A-AM阈值下的二分类任务。 性能估计来自40名儿童的单中心队列，置信区间重叠，因此该数值应视为初步观测而非确立的优越性证据。
研究在两个CAPS-A-AM阈值下测试模型：无高鼻音(0)对比任何高鼻音(1-4)，以及无/边缘(0-1)对比轻至重度高鼻音(2-4)。 通过设置两个临床相关阈值，研究同时考察了模型对“是否存在高鼻音”和“是否达到轻至重度”的区分能力，贴近临床分诊需求。 阈值设定直接对应CAPS-A-AM评分体系，评估标准明确；但样本量有限，阈值间的性能差异需更大样本验证。
启示与展望
该研究界定了基于梅尔频谱图的高鼻音AI分类在儿童腭咽功能障碍队列中的初步可行性，适用于在言语语言病理学家指导下采集、并以CAPS-A-AM共识评分为参照的语音样本场景。其下一步意义在于扩大样本采集、纳入更多样化的语音输入用于训练与评分，从而为专家资源有限环境中的辅助评估工具奠定基础。
读者仍需关注：置信区间重叠意味着模型间优劣尚未确立，EfficientNet-V2-S的F1=0.786-0.900应视为本队列中的观测估计；40名儿童的单中心样本限制了向更广泛人群的推广；高元音/i/、/u/的梅尔频谱图在持续元音、孤立词和句子中的表现差异尚需进一步分析；不同语言背景、录音设备和评分者一致性对模型的影响仍是开放问题。