在缺乏GPU和网络连接的诊所中，部署深度学习模型往往意味着高昂的隐性成本。一篇新论文比较了经典机器学习与深度模型在呼吸音分类任务上的表现，结论出人意料：最大的性能杠杆并非模型架构，而是特征预处理。
研究使用了包含1211个音频片段、来自201个患者组的五类呼吸音语料库，类别包括哮喘、COPD、肺炎、支气管炎和健康，类别不平衡比例为3.86:1。作者采用预注册的患者分组交叉验证，每种配置运行25次，以确保结果可靠。
经典支持向量机（SVM）基于30个汇总特征（MFCC、过零率和RMS统计量）达到宏召回率0.78，在最稀有类别上召回率为0.71。而一个113万参数的卷积循环网络在log-Mel频谱图上仅达到0.75至0.77，两类模型家族之间未发现统计显著差异。
真正引人注目的发现是：对SVM特征进行标准化（RBF核的常规步骤）使其宏召回率从0.51提升到0.78，27个百分点的摆动幅度超过了本研究中任何模型家族之间的差距。这意味着在资源受限场景下，一个简单的预处理步骤可能比更换复杂架构带来更大收益。
数据增强策略未能奏效。SMOTE、波形增强和SpecAugment均未产生可测量的效果。在推理延迟方面，两类模型在纯CPU笔记本上每片段耗时51至74毫秒，差异不大，但经典模型避免了449MB的PyTorch运行时依赖，这对存储和内存有限的诊所至关重要。
研究还揭示了方法论上的重要陷阱：若采用片段级划分而非患者分组划分，宏召回率会被虚高7.5至9.8个百分点，因为同一患者的录音可能同时出现在训练集和测试集中。此外，录音来源与标签强烈相关（Cramer's V=0.65），探索性分析显示以某类别少数采样率录制的片段大多被分配给该采样率典型的类别。作者将此混杂因素列为论文的主要局限，提醒后续研究需谨慎控制录音设备与采样率的影响。
总体而言，这项工作为低资源医疗AI部署提供了务实指导：在追求复杂模型之前，先确保基础预处理流程的正确性，并严格遵循患者级数据划分。