在缺乏GPU和網絡連接的診所中，部署深度學習模型往往意味着高昂的隱性成本。一篇新論文比較了經典機器學習與深度模型在呼吸音分類任務上的表現，結論出人意料：最大的性能槓桿並非模型架構，而是特徵預處理。
研究使用了包含1211個音頻片段、來自201個患者組的五類呼吸音語料庫，類別包括哮喘、COPD、肺炎、支氣管炎和健康，類別不平衡比例為3.86:1。作者採用預註冊的患者分組交叉驗證，每種配置運行25次，以確保結果可靠。
經典支持向量機（SVM）基於30個彙總特徵（MFCC、過零率和RMS統計量）達到宏召回率0.78，在最稀有類別上召回率為0.71。而一個113萬參數的卷積循環網絡在log-Mel頻譜圖上僅達到0.75至0.77，兩類模型家族之間未發現統計顯著差異。
真正引人注目的發現是：對SVM特徵進行標準化（RBF核的常規步驟）使其宏召回率從0.51提升到0.78，27個百分點的擺動幅度超過了本研究中任何模型家族之間的差距。這意味着在資源受限場景下，一個簡單的預處理步驟可能比更換複雜架構帶來更大收益。
數據增強策略未能奏效。SMOTE、波形增強和SpecAugment均未產生可測量的效果。在推理延遲方面，兩類模型在純CPU筆記本上每片段耗時51至74毫秒，差異不大，但經典模型避免了449MB的PyTorch運行時依賴，這對存儲和內存有限的診所至關重要。
研究還揭示了方法論上的重要陷阱：若採用片段級劃分而非患者分組劃分，宏召回率會被虛高7.5至9.8個百分點，因為同一患者的錄音可能同時出現在訓練集和測試集中。此外，錄音來源與標籤強烈相關（Cramer's V=0.65），探索性分析顯示以某類別少數採樣率錄製的片段大多被分配給該採樣率典型的類別。作者將此混雜因素列為論文的主要侷限，提醒後續研究需謹慎控制錄音設備與採樣率的影響。
總體而言，這項工作為低資源醫療AI部署提供了務實指導：在追求複雜模型之前，先確保基礎預處理流程的正確性，並嚴格遵循患者級數據劃分。