编辑推荐：
本研究旨在解决气管软化症（TM）因症状不典型、标准诊断方法有创而在儿童中难以检测的临床难题。研究人员通过手术建立兔TM模型，采集并提取了呼气音的大量声学特征，利用包括LightGBM在内的机器学习模型进行识别分析。结果显示，模型可有效识别TM相关的特征，尤其Mel频率倒谱系数（MFCC）的低频成分具有高重要性，为开发无创诊断工具提供了新思路，对儿科诊断尤其具有潜在价值。
在儿童呼吸系统疾病的诊断迷宫里，气管软化症（Tracheomalacia, TM）常常是一个难以捉摸的“影子”。它的典型特征是气管壁软化，导致患者在呼吸时，尤其是呼气时，气道发生异常塌陷。然而，与这种结构性异常可能带来的严重困扰（如喘息、反复感染、呼吸困难）形成对比的是，其临床症状往往模糊且不典型，这使得临床识别变得异常困难。更棘手的是，目前诊断TM的“金标准”——动态支气管镜检查，是一种侵入性操作，不仅给患者带来不适和风险，在儿科患者中的应用尤其受到限制。那么，是否存在一种更友好、更简便的方法，能够像“听诊”一样，从患者的呼吸声中捕捉到TM的蛛丝马迹呢？这正是发表在《Scientific Reports》上的一项研究所致力于解答的问题。
为了探索这种可能性，一个研究团队将目光投向了呼吸音分析和飞速发展的机器学习技术。他们构想，气管软化导致的气道动力学改变，可能会在呼吸音，特别是呼气音的声学特征上留下独特的“指纹”。如果能够用高精度的录音设备捕获这些声音，并通过算法“解码”这些指纹，就有可能建立一种全新的、完全无创的诊断方法。为了在受控条件下验证这一构想，研究人员选择兔子作为实验模型，这并非偶然。兔子的气道在解剖结构上与新生儿的气道有诸多相似之处，这使得该模型不仅在验证技术上可行，其未来在儿科诊断工具开发上的潜力也更具说服力。
研究人员开展这项研究，主要应用了以下几个关键技术方法：首先，他们通过外科手术切除新西兰白兔的部分气管软骨，成功构建了气管软化症的动物模型。其次，研究使用临床级听诊器装置同步记录实验动物的呼吸音和气道压力数据。在数据分析阶段，团队从每一次呼气音中提取了多达6,373个声学特征，并采用统计方法筛选出在至少4/5动物中表现出稳定且显著差异的特征。最后，他们利用交叉验证方法，训练并评估了三种不同的机器学习模型，包括LightGBM、逻辑回归和支持向量机，以鉴别健康与病变状态。
研究结果
动物模型建立与特征筛选
研究人员成功通过移除部分气管软骨，在新西兰白兔中建立了气管软化模型。通过对比模型组与对照组的呼吸音，他们从每次呼气中提取了大量声学特征，并最终筛选出51个在统计学上具有显著差异（p < 0.01）且在不同个体间表现一致的特征，作为后续机器学习分析的输入。
机器学习模型性能评估
在训练用于区分病变与正常呼吸音的机器学习模型中，LightGBM模型展现出了最佳性能。其接收者操作特征曲线下面积（Area Under the Curve, AUC）在单次呼吸水平上大于0.78，当按个体对结果进行平均后，AUC值进一步提升至0.80以上。这表明该模型在识别与气管软化相关的异常呼吸音模式方面具有较高的判别力。
关键声学特征分析
对模型贡献最大的特征进行分析后发现，Mel频率倒谱系数（Mel-frequency Cepstral Coefficients, MFCC）的低频成分是最重要的判别特征。MFCC是常用于语音和声音识别的特征，能够模拟人耳对频率的感知。研究者推测，这些低频成分很可能捕捉到了因气道塌陷而引起的、细微的气流模式改变，从而成为机器学习模型识别疾病状态的关键线索。
结论与讨论
本研究证实，通过结合高保真的呼吸音采集、高通量的声学特征提取以及先进的机器学习算法（特别是LightGBM），能够有效识别出实验性气管软化症动物模型中与疾病相关的特征性呼吸音模式。这一系列发现有力地支持了“呼吸音分析结合机器学习”作为未来诊断气管软化症的一种实用、非侵入性工具的潜力。该方法避免了传统内镜检查的侵入性，更易被患者，尤其是儿童患者所耐受。
其重要意义在于开辟了一条全新的诊断路径。尤其值得强调的是，由于兔模型气道与新生儿气道的解剖相似性，本研究为开发专门针对婴幼儿的气管软化症无创筛查或辅助诊断工具奠定了重要的临床前基础。未来，通过进一步在临床人群中验证和优化该技术，有望将这种基于声音的“听诊”升级为基于人工智能的精准诊断，让更多患有气管软化症的儿童能够被早期、无痛地识别出来，从而获得及时干预。这项研究不仅是医工交叉的成功范例，也体现了从基础模型到潜在临床转化应用的清晰逻辑。
