2021年6月24日，我们搜索了以下5个数据库:MEDLINE(通过Ovid)、Embase、Scopus、Web of Science和ACM数字图书馆。没有语言限制，翻译非英语文章以检查其对审查的适用性。使用EndNote 9导出和管理检索到的引用。gydF4y2B一个

总共有两组关键词被用于搜索数据库:一组代表目标诊断(如语音障碍)，另一组代表感兴趣的干预(如ML算法)。这些术语来源于ML和语言治疗专家。还包括医学主题标题，以最大限度地提高MEDLINE和Embase搜索的敏感性。应用于MEDLINE和Web of Science的详细搜索策略分别见多媒体附录1和2。gydF4y2B一个

本综述的研究对象包括被诊断患有语音障碍的患者。对人口特征的类型(如年龄、性别和种族)没有任何限制。关于索引测试，我们重点关注有监督的ML技术(分类)，该技术通过使用在受控环境(如语音实验室、医院、诊所和数据库)中收集的语音样本，用于筛选或诊断二元结果(如病态语音vs健康语音或语音障碍a vs b)中的语音障碍。本文关注的参考标准是工具评估和听觉-知觉评估，因为两者都遵循了美国演讲-语言-听力协会的建议[gydF4y2B一个 17gydF4y2B一个和美国耳鼻喉学会[gydF4y2B一个 16gydF4y2B一个］．为了纳入这篇综述，研究必须通过使用以下结果中的至少一个来评估ML算法的诊断性能:准确性、敏感性和特异性。我们只纳入了同行评审的文章和实证研究，而不管它们的研究设计如何。对出版国家、出版年份或出版语言没有任何限制。gydF4y2B一个

我们排除了仅依靠临床医生判断而不使用任何工具来确保综述的有效性和可靠性的研究，因为依赖主观评估可能会受到临床医生经验水平的影响。排除无监督ML方法。会议论文、评论、报告、社论、正在进行的研究、非同行评审的文章、仅评估准确性的研究以及未评估敏感性和特异性的研究也被排除在外。gydF4y2B一个

所示gydF4y2B一个 表1gydF4y2B一个在美国，这13项研究是在2000年至2020年期间进行的。然而，大多数研究(11/13,85%)是在2010年至2020年期间进行的。2016年是研究数量最多的一年(3/ 13,23%)。纳入的研究在12个不同的国家进行，其中约30%(4/13)在伊朗进行。所有的研究都是观察性研究，同行评议的文章，并用英语撰写。gydF4y2B一个

参加者或声音样本数目由40至960不等，共4019人，平均309人(gydF4y2B一个 表2gydF4y2B一个)．纳入的研究收集了6个不同来源的数据。在纳入的研究中，MEEI数据库是最常用的数据库(9/ 13,69%)。在大多数纳入研究中，从男性、女性和阴阳人参与者中收集声音样本(12/13,92%);然而，8%(1/13)的研究仅使用女性参与者的声音样本[gydF4y2B一个 43gydF4y2B一个］．纳入研究的参与者年龄从13岁到86岁，平均年龄45岁(平均46岁，标准差29.5岁)。gydF4y2B一个

纳入的研究使用12ml算法(gydF4y2B一个 表3gydF4y2B一个)．最小二乘支持向量机(ls - svm)是所有研究中使用最多的算法(9/ 13,69%)，其次是二次判别分析(QDA)(3/ 13,23%)和k -最近邻(K-NN)(4/ 13,31%)。85%(11/13)的研究报告采用了特征提取技术。61%(8/13)的研究提取了短期特征(如mel频率倒谱系数)，23%(3/13)的研究提取了长期特征(如抖动和微光和基频)。在纳入的研究中，共使用了3种特征约简技术;线性判别分析是最常用的技术(4/ 13,31%)，训练-测试分离验证是纳入研究中最主要的技术(10/ 13,77%)，其次是交叉验证技术(4/ 13,31%)。gydF4y2B一个

在患者选择领域，只有38%(5/13)的研究被判定在患者采样中有较低的偏差风险，因为他们使用了适当的采样过程来选择声音样本(gydF4y2B一个 多媒体附件9gydF4y2B一个)．在所有纳入的研究中，由于有监督的ML试验的性质，指数试验的偏倚风险都很高，而且在对参考标准试验结果有事先了解的情况下解释了它们的结果。由于语音评估的主观性，目前尚不清楚参考标准对患者的分类是否正确。这导致在所有研究中参考标准领域存在不明确的偏倚风险，尽管参考标准是在指数检验之前使用的，而且研究结果不受指数检验结果的影响。在几乎所有的研究中，患者流量和时间的报道都很差(12/13,92%)。因此，这些研究被判定在患者流量和时间方面存在不明确的偏倚风险。gydF4y2B一个 多媒体附件9gydF4y2B一个显示了QUADAS-2工具在所有3个领域的每个纳入研究中的偏倚判断风险，以及每个研究的适用性问题。gydF4y2B一个

在所有纳入的研究中，患者是如何被选择的，不存在适用性问题，因为患者的特征、条件和每个测试的设置都符合回顾问题和标准(gydF4y2B一个 多媒体附件9gydF4y2B一个)．同样，由于纳入研究的ML算法方法符合ML的综述定义，所有纳入研究在指标检验中被判定适用性关注度较低。但84%(11/13)的研究在参考标准中适用性关注度不明确，因为这些研究的语音样本来自数据库，没有描述每个语音样本的详细诊断过程。gydF4y2B一个

只有8%(1/13)的研究使用QDA算法来区分2 [gydF4y2B一个 43gydF4y2B一个］．所示gydF4y2B一个 表4gydF4y2B一个， QDA的准确性、敏感性和特异性分别为70% ~ 77%、20% ~ 65%和74.76% ~ 95%。有关如何将QDA用作筛选工具的描述，请参见下面的部分。有关诊断结果的细目，请参阅gydF4y2B一个 多媒体附件10gydF4y2B一个．gydF4y2B一个

在系统综述纳入的13项研究中，10项(77%)纳入meta分析，3项(23%)被排除[gydF4y2B一个 39gydF4y2B一个，gydF4y2B一个 40gydF4y2B一个，gydF4y2B一个 44gydF4y2B一个，gydF4y2B一个 46gydF4y2B一个］．在这10项研究中，2项(20%)通过使用2个不同的数据库检验了ML技术:Arias-Londoño等[gydF4y2B一个 35gydF4y2B一个(MEEI和unisidad Autónoma de Madrid [UPM]数据库)和Hariharan等[gydF4y2B一个 42gydF4y2B一个因此，ML技术在这些数据库中的表现被纳入meta分析。有关筛选表现的更多资料，请参阅(gydF4y2B一个 多媒体附件11gydF4y2B一个)．gydF4y2B一个

在77%(10/13)的研究中，ML技术在评估语音障碍方面的准确性被报道。这些研究检查了9ml技术的准确性。9 ML技术的合并准确性为96% (95% CI 93%-98%;gydF4y2B一个 图2gydF4y2B一个)．meta分析研究显示显著异质性(gydF4y2B一个 我gydF4y2B一个^{2gydF4y2B一个}= 93.51%;gydF4y2B一个 PgydF4y2B一个<.001)，下面讨论这种异质性的可能原因。在语音障碍评估方面，ML技术准确率最高的是LS-SVM(99%)，而准确率最低的是QDA(91%)。gydF4y2B一个

77%(10/13)的研究报告了ML技术在评估语音障碍方面的敏感性。这些研究检查了3ml技术的敏感性。3ml技术的合并灵敏度为96% (95% CI 91%-100%;gydF4y2B一个 图3gydF4y2B一个)．荟萃分析研究显示显著异质性(gydF4y2B一个 我gydF4y2B一个^{2gydF4y2B一个}= 95.49%;gydF4y2B一个 PgydF4y2B一个<.001)，以及这种异质性的可能原因将在后面的部分中讨论。3 ML技术中K-NN的灵敏度最高(98%)，QDA的灵敏度最低(89%)。gydF4y2B一个

77%(10/13)的研究检查了ML技术在评估语音障碍方面的特异性，其中包括3种ML技术的特异性。3ml技术的集合特异性为93% (95% CI 88%-97%;gydF4y2B一个 图4gydF4y2B一个)．meta分析证据显示显著异质性(gydF4y2B一个 我gydF4y2B一个^{2gydF4y2B一个}= 84.3%;gydF4y2B一个 PgydF4y2B一个<措施);异质性的可能原因将在下面讨论。ML技术特异性最高的是K-NN(98%)，而特异性最低的是QDA(89%)。gydF4y2B一个

我们探索了合并绩效异质性的可能来源，以及使用短期参数的研究，如Arjmandi等人的研究[gydF4y2B一个 37gydF4y2B一个]，增加了K-NN和LS-SVM的异质性。在K-NN算法中，Arjmandi等[gydF4y2B一个 37gydF4y2B一个](使用长期参数)被排除;特异性方面，敏感性为84.92%，准确性为91.55%。hadjitdorov等人的研究也发现了这一点。gydF4y2B一个 41gydF4y2B一个]，它也使用了长期参数，当它被排除时，所有K-NN结果的异质性降低了(gydF4y2B一个 多媒体附件12gydF4y2B一个当每个研究被移除时，给出了关于异质性值的进一步细节)。同样，当Arjmandi等人的研究[gydF4y2B一个 37gydF4y2B一个]从LS-SVM森林图中移除，发现在gydF4y2B一个 我gydF4y2B一个^{2gydF4y2B一个}测试值下降到91.89%。因此，长期参数会影响LS-SVM的灵敏度和K-NN中所有3种结果。此外，Arias-Londoño等人使用的数据库[gydF4y2B一个 35gydF4y2B一个和苏伊西和谢里夫[gydF4y2B一个 45gydF4y2B一个可能会增加LS-SVM性能的异质性。Arias-Londoño等[gydF4y2B一个 35gydF4y2B一个]使用了西班牙语语音数据库UPM，因此将研究排除在LS-SVM的敏感性和特异性森林图之外，异质性分别降低到58%和71%。另一方面，Souissi和Cherif [gydF4y2B一个 45gydF4y2B一个]使用了S(德语语音样本数据库)中的语音样本，而其余研究使用了英语语音样本数据库(MEEI;gydF4y2B一个 多媒体附件12gydF4y2B一个)．gydF4y2B一个

当一个人的力量、灵活性和声带结构导致病理性噪音和音色降低时，他们的声音病理可能严重到足以被认定为声音障碍。这些疾病可由组织疾病和组织变化、机械应力、表面不适、全身变化、肌肉和神经变化以及许多其他因素引起[gydF4y2B一个 48gydF4y2B一个］．它的研究取得了广泛的范围，部分原因是它的社会效益。开发了标准的数据库，以减轻语音障碍，包括新的功能和重点，同时使用深度神经网络针对特定的语音障碍。近年来，对发声问题的主客观评价在研究领域受到了相当多的关注[gydF4y2B一个 49gydF4y2B一个］．gydF4y2B一个

主观评估可能由临床医生进行，因为他们关注患者的声音，并使用不同的仪器来辨别各种声音障碍的诊断。ML可作为临床医生进行听觉-知觉评估的决策支持工具[gydF4y2B一个 14gydF4y2B一个］．第二种评估被称为“目标评估评估”，重点是自动、基于计算机的声学信号处理。这些信号评估和识别潜在的声乐病理，这可能无法被临床医生筛选或诊断[gydF4y2B一个 50gydF4y2B一个］．因此，这种类型的评价是非主观的。此外，在使用这种类型的评估时，可以通过使用各种智能设备的云技术在全球范围内捕获和存储声音。这对全球的研究人员是有益的，他们可以通过不同的学术机构访问数据。gydF4y2B一个

使用ML作为评估工具可以减少有经验和无经验的临床医生之间的学习差距。巴西奇和勒德洛[gydF4y2B一个 20.gydF4y2B一个]发现在评估息肉或声带结节患者的语音质量时，法官间测试-重测试一致性<75%;因此，在语音评估中对有经验的临床医生的全面依赖可能会被消除。此外，在实践中使用工具评估的做法可以被取消，因为ML可以减少对更多典型案例进行工具评估的需要[gydF4y2B一个 27gydF4y2B一个］．然而，完全取消仪器评估可能导致误诊，例如，如果喉癌患者被筛查为“健康”，临床医生可能没有进行频闪检查。因此，我们的目标是进一步研究建立一个理想的、自动化的基于ml的系统。我们期望该系统能够灵敏、准确、高效、成功地检测和诊断各种语音障碍，为患者和从业者提供快速、轻松的服务。gydF4y2B一个

该综述显示ML在甄别和诊断语音障碍方面提供了最佳性能，可以通知临床医生异常。由于每项研究的特点不同，建议对ML算法的性能进行比较，包括准确性、特异性和敏感性。目前最常用的语音障碍的ML诊断方法是LS-SVM和人工神经网络算法。然而，在研究中没有明确解释使用1毫升方法对另一个方法的偏好。所有研究都使用内部验证(训练和测试分割和交叉验证)来评估ML质量。然而，外部验证是评估新数据ML预测真实质量的必要步骤。因此，在日常临床实践中实施ML诊断语音障碍，外部验证是必不可少的。因此，在使用ML进行任何临床诊断之前，必须进行外部验证。本综述中所研究的ML方法都没有使用外部验证。gydF4y2Ba

本文分析了使用ML算法筛选和诊断语音障碍的有效性相关文献。它不仅提供了对过去20年进行的研究类型的洞察，而且还强调了需要进一步实验和分析的研究领域。研究者和实践者可以利用这项研究来提高他们对言语病理的客观筛选或诊断。例如，声音障碍[gydF4y2B一个 23gydF4y2B一个], MEEI [gydF4y2B一个 22gydF4y2B一个]和UPM数据库[gydF4y2B一个 51gydF4y2B一个对语音障碍案例研究感兴趣的研究人员都可以访问。然而，这些数据仓库并非没有缺陷。例如，某些数据库被统一划分为健康类和不健康类。在使用这些数据发表的大多数研究中，这些声音通常被归类为“健康的”和“病态的”。有些数据库没有说明嗓音障碍的严重程度，也没有提供有关发声过程中病理症状的充分细节。因此，一些样本可能看起来健康正常，尽管被标记为病理，反之亦然。此外，>1紊乱可能用于标记文档，这可能会对合并或排除不同语言的样本具有挑战性[gydF4y2Ba 52gydF4y2B一个］．监督ML的性质，即“标记”测试需要对相应测试的参考标准查找的先验知识。这可能会导致在一些质量评估工具中存在较高的偏差风险，例如QUADAS-2工具，它在指数测试领域显示了较高的偏差风险。未来的研究人员可能希望考虑提供关于在检查ML的性能时如何应用参考标准的信息。此外，这些知识库可以确定对合适的人口统计学特征的更具体的判断，以及如何对这些细节进行适当的分类。最后，通过区分每种疾病的结果及其严重程度，可以更好地检验ML的鉴别诊断能力。这将允许更明确和具体的发现，对哪种类型的患者ML可能会更有效地使用。gydF4y2B一个

因为在纳入的研究中ML被用作筛查工具(病态声音vs健康声音)，ML更敏感的能力可能比它更具体的能力更重要。这可能是由于将健康患者诊断为不健康(嗓音有病态的患者)的后果，这将导致进一步的检查(频频检查)，而不会造成患者痛苦，因为此时的诊断还不是最终的，患者将被转到进一步的检查。误诊病人(较不敏感的检查)可能导致有害的后果和痛苦，例如，如果喉癌等威胁生命的疾病被误诊。gydF4y2B一个

还应考虑ML可以作为临床医生的决策支持工具，同时主观判断患者的声音，以决定是否需要进一步检查。应用ML算法作为筛选工具可以帮助预先确定患者的语音状况。因此，这可以支持临床医生在嗓音障碍评估中的整个管理过程，特别是在他们决定是否为患者应用仪器检查时，这一决定目前是主观的。因此，将ML作为筛查工具可以减少有经验和无经验临床医生之间的差距(一致性<75%)[gydF4y2B一个 20.gydF4y2B一个]，在声音评估方面对有经验的临床医生的全面依赖可能会被消除。此外，在实践中可以取消使用仪器评估，因为并非所有患者都必须接受仪器评估(ML可能会减少对健康病例使用仪器的需要)。因此，评估嗓音障碍的成本可能会降低。gydF4y2B一个

我们的发现也暗示ML可以用于基于网络的方法来检测语音障碍。这意味着算法可以用于智能手机应用程序或用户的电话，以检测语音障碍的存在，甚至跟踪他们的治疗进展。这可能会减少临床医生用于筛查、诊断或记录每次随访进展的时间。这项研究还发现，研究人员可能需要考虑调查各种ML算法在识别和诊断语音障碍方面的适用性。此外，建议添加到先前建立的数据库，这包括添加不同的语言，如阿拉伯语音病理数据库，到其他主流存储库。gydF4y2B一个