GPUやネットワーク接続を持たない診療所では、深層学習モデルの導入には目に見えないコストが伴う。新たな論文は、呼吸音分類タスクにおいて古典的機械学習と深層モデルを比較し、意外な結論を導き出した。最大の性能要因はモデルアーキテクチャではなく、特徴量の前処理にあったのだ。
研究には、201の患者グループから得られた1211の音声クリップを含む5クラス（喘息、COPD、肺炎、気管支炎、健康）の呼吸音コーパスが使用された。クラス不均衡は3.86:1で、事前登録された患者グループ交差検証を採用し、各設定で25回の実行を行った。
30の要約特徴量（MFCC、ゼロ交差率、RMS統計量）を用いたサポートベクターマシン（SVM）は、マクロリコール0.78、最稀クラスでのリコール0.71を達成した。一方、log-Melスペクトログラム上で動作する113万パラメータの畳み込みリカレントネットワークは0.75〜0.77にとどまり、モデルファミリー間の統計的に有意な差は確認されなかった。
最も注目すべき発見は、SVMの特徴量を標準化する（RBFカーネルでは routine なステップ）ことで、マクロリコールが0.51から0.78へと27ポイントも変動したことだ。この変動幅は、本研究におけるどのモデルファミリー間の差よりも大きい。資源制約のある環境では、複雑なアーキテクチャへの変更よりも、単純な前処理ステップの方が大きな利益をもたらす可能性を示唆している。
データ拡張戦略は効果がなかった。SMOTE、波形拡張、SpecAugmentのいずれも測定可能な効果を示さなかった。推論レイテンシは、CPUのみのラップトップで1クリップあたり51〜74ミリ秒と両モデルで差はなかったが、古典モデルは449MBのPyTorchランタイム依存を回避できるため、ストレージとメモリが限られた診療所にとって重要な利点となる。
研究はまた、方法論上の重要な落とし穴も明らかにした。患者グループではなくクリップレベルの分割を採用すると、同じ患者の録音がトレーニングセットとテストセットの両方に現れる可能性があるため、マクロリコールが7.5〜9.8ポイント過大評価される。さらに、録音ソースとラベルには強い関連があり（Cramer's V = 0.65）、探索的分析では、あるクラスの少数サンプリングレートで録音されたクリップの多くが、そのレートに典型的なクラスに割り当てられる傾向があった。著者らはこの交絡要因を論文の主要な限界として明記し、今後の研究では録音機器やサンプリングレートの影響を慎重に制御する必要があると注意を促している。
総じて、この研究は低リソース医療AIの導入に向けた実用的な指針を提供する。複雑なモデルを追求する前に、基本的な前処理パイプラインの正確性を確保し、患者レベルのデータ分割を厳守することが重要である。