气道狭窄筛查：呼吸声贡献近零，说话声才是关键信号

查一个喉咙里的毛病，为什么会漏诊九成

想象一个最不像医疗检查的医疗检查。患者不用躺上检查床，不用被麻醉，只需要对着一台手机说一段话，比如描述一张图片里画了什么。几分钟后，AI 给出一个判断：你的气道是不是变窄了。这背后是亚琛大学医院与 Télécom Paris 研究团队的实验：他们从 Bridge2AI-Voice 数据集里取出 748 名受试者，让每个人完成一整套语音录音任务，再训练模型从录音里判别谁是狭窄患者、谁不是。患者级判断的区分度 AUROC 达到 0.952。AUROC 是"能不能把患者和健康人分开"的指标，随机猜是 0.5，完美是 1.0，0.952 意味着接近"很可靠"。而这项研究最反常的结论是：模型几乎不靠呼吸声。让患者自然说一段话，贡献最大；刻意做的呼吸动作，贡献贴零。标题里那个反差，就是这篇论文最核心的发现，也引出了本节唯一的问题：一段自然说话，凭什么能填补气道狭窄的初筛缺口？

一个查气道的模型，放着深呼吸不用，偏从"描述一张图"这种闲聊录音里听出毛病，这怎么可能？又是谁、用什么录音做出的判断？做出判断的是 Jean Groeninger、Zihao Zhao 等来自亚琛大学医院放射科与 Télécom Paris 的研究者，论文以预印本形式挂在 arXiv 上。AirwayStenosis 要弄懂"自然说话凭什么能补缺口"，先回到这个病本身的处境。

这到底是一种什么样的病？气管或喉部的管腔变窄，就是气道狭窄（airway stenosis）。最常见的病因是医源性的，也就是医疗操作造成的：长期气管插管之后，插管留下的瘢痕把气道慢慢收窄。它不像感冒那样自报家门，症状只是声嘶、喘鸣（stridor）、运动一多就喘不上气。这些症状太普通，很容易被当成更常见的呼吸疾病，一拖就是几个月。更麻烦的是病程不一定缓慢，严重时可以走到完全梗阻，病人需要在脖子上开一个气管造口才能呼吸。NICE HTG614

确诊这条路本身是可靠的，缺口出在不可及。金标准是喉镜加支气管镜检查（microlaryngoscopy and bronchoscopy），医生在全麻下把内镜伸进气道直接看，CT 能补充看狭窄段的长度。这套流程侵入、费时、依赖专科医生，不是每个怀疑的患者都够得着。漏诊有多普遍，一篇 2025 年发表在 Scientific Reports 上的论文给出一个触目惊心的数字：特发性声门下狭窄患者 Facebook 群组的非正式调查显示，96% 的患者报告自己曾被初次误诊。要说明的是，这不是同行评审的流行病学数据，但它和临床观察指向同一件事：金标准可靠，却远够不着所有病人。Anibal 2025

研究团队的答案里，判断的门槛从"全麻下伸内镜"变成了"说一段话"。这张概念图把论文要做的"范式转换"一眼讲清。

图注：论文 Fig 1 概念图。左侧是传统路径：患者先做喉镜、支气管镜、CT 等专科检查，医生读图后出报告。右侧是语音路径：录音交给基础模型提取特征，再做患者级聚合出判断。两侧由语音声学 AI 桥接，强调快速、可及的检测。图中没有数字，也没有内部模块。AirwayStenosis

把两条路径并排看，落差是明显的：一边是全麻内镜，一边是一段录音。但有一个根本问题先于一切：声音里，当真藏得住狭窄的信号吗？缺口能不能被说话声补上，全看这个先决条件成不成立。前人证明了一部分，但也只证明了一部分。这件事为什么拖到现在才变得靠谱，顺序也很关键：把"学会听人说话"做成的语音基础模型，是这几年才成熟的基础设施。

听呼吸确实能测，但前人只走到了半路

声音里藏信号，物理上说得通。气流通过一段变窄的管腔时会产生湍流，湍流会在呼吸音里留下可辨识的痕迹。狭窄越重，气流越紊乱，留下的声学痕迹也就越明显。这个直觉其实有一百多年的历史，临床医生用听诊器分辨喘鸣本来就是基本功，AI 做的只是把"听"变成可复现、可规模化的计算。这个直觉驱动了此前最有代表性的一次尝试。

2025 年 Anibal 等人的工作发表在 Scientific Reports 上，是这篇论文的直接前身。它召集了 267 人：94 名狭窄患者、45 名喘鸣患者，另有 51 名其他呼吸/嗓音疾病对照和 77 名一般对照（两组间有重叠）。录音任务精心设计了两个。FIMO 是用力张嘴吸气，DB 是正常深呼吸。选呼吸任务有物理理由：强迫气流掠过声带，能把轻症的喘鸣音抬到可听的程度，同时排除鼻腔气流的干扰。还有两个容易被忽略的设计细节。录音设备刻意用了三种，从专业麦克风到 iPad 内置麦克风，论文把设备差异当成一种数据增强，训练时不加区分，这正是低成本可及性取向的体现。Transformer 编码器有意不设位置编码，以保持对时间平移的不变性。数据流过一条明确的流水线：2.5 秒一段切窗，转成 Mel 频谱图，交给预训练的 YAMNet 提取嵌入，按声音类别过滤掉噪声段，最后送进一个 Transformer 出预测。Anibal 2025

图注：Anibal 等 2025 年的处理流水线：录音音频进入预训练的 YAMNet 模型提取嵌入矩阵，再按声音类型分类过滤噪声段，送入 Transformer 编码器，最终输出预测。图中 0.2、0.3、0.1、0.6 是示意数字，不是实验结果。Anibal 2025

结果证明这条路能跑通：狭窄检测 AUC 0.875，喘鸣检测也有 0.864。但细看特异性只有 0.725，也就是说在能抓住 85% 患者的阈值下，每 4 个健康人里就有 1 个被误报。对"初筛"来说这个误报率太高了，会把医院涌进来的转诊淹没。筛查和确诊的账要分开算：确诊可以慢，筛查必须又准又轻省，否则没人愿意先过这一道门。更重要的是，这项工作在三个维度上都有明显的升级空间。输入窄：只有两种呼吸任务，还要求患者配合特定动作。模型是通用音频分类器 YAMNet，预训练时没专门"听过"说话。粒度是段级的：每条 2.5 秒的录音各自打分，同一个人的多次录音没有整合成整体判断。

三个维度都换掉会怎样？把呼吸任务换成自然说话，把通用音频模型换成语音专精的基础模型，把段级打分换成患者级聚合。下一章要讲的，就是这篇论文的方法主体。

一条语音如何变成"一个患者"的判断：冻结模型与患者级聚合

方法的第一个选择是不训练新模型。医学标注数据太少，从头训练一个语音模型不现实。论文直接用 WavLM，一个在 94k 小时语音上预训练好的基础模型（Large 档 24 层、约 3.16 亿参数），把它的权重冻结（frozen），只当特征提取器用。冻结的意思是权重一动不动，预训练学到的东西原样保留。微调整个大模型容易在小样本上过拟合，还可能把预训练已经学会的语音知识带偏，所以学习分类的任务全部交给下游轻量的聚合层。每段录音送进去，取出某一层的表示，再按时序平均池化，压成一个定长的 embedding。embedding 就是把一段声音浓缩成的固定长度数值向量。WavLM

到这里，一个患者不再是"一条录音"，而是一组录音。Bridge2AI-Voice 协议给每位受试者录了 16 组声音任务：描述图片、朗读段落、复述故事、发元音、做呼吸动作，等等。这 16 组任务覆盖了从持续元音到连续讲话的完整声带活动谱系。协议这样设计，是为了在多种说话条件下捕捉同一个人的声音。同一组任务的多条录音先拼接起来，于是每个患者变成一个由 16 个 embedding 组成的集合，论文管它叫 bag。接下来的问题变成：怎么把一个 bag 变成"这个患者有没有狭窄"的一个判断？这恰好是计算机视觉里多实例学习（MIL）的标准设定：一组实例，一个整体标签。AirwayStenosis

这一步值得一个类比。体检时医生不会只凭单项指标下结论，单看一项可能偏高偏低，熬夜就可能让某项指标异常。把同一个人所有项目放到一起互相印证，判断才稳。这里的 16 段录音就是 16 个项目：描述图片时的发音习惯，朗读时的气息控制，发元音时的嗓音质量。单一一段都可能受当时状态影响，合起来看才是这个人稳定的发声特征。论文用来做聚合的是 TransMIL，一个基于 Transformer 的多实例学习器。它的关键设计和简单平均、注意力加权都不一样：它显式建模录音与录音之间的相关性。具体说，自注意力让每段录音能"参考"同一位患者的其他段落，再据此加权融合，而不是把每段当成孤立的投票。消融实验证明这不只是理论偏好。换成 Non-MIL 基线，AUROC 从 0.952 掉到 0.932。换成 GatedAttention 或 DSMIL，AUROC 停在 0.944 到 0.945 之间。TransMIL 是最优解。值得一提的是，论文里的 Non-MIL 基线并不是对整袋录音求平均，而是拿最有信息量的单个任务（图片描述）单独训练分类器，这样也拿到了 0.932。单凭一个任务就快摸到 0.95，已经预示了后面任务贡献度实验的结论。顺带一提，TransMIL 在病理领域要处理上万个 patch，靠 Nyström 近似把注意力的平方复杂度压成线性。到了这里的患者级场景，一个 bag 只有 16 项，计算根本不是问题。TransMIL

把流程在脑子里过一遍：一位患者录完 16 组任务，每段录音被冻结的 WavLM 压成一个 embedding。16 个 embedding 装进一个 bag，TransMIL 先让段落之间互相"看"一遍，再把相关性加权后的信息聚合成一个患者级概率。单条录音可能又短又嘈杂，但 16 个来自不同说话条件的片段互相补位，噪声被抵消，真实的发声特征浮出来。

TransMIL 原本是为病理切片设计的，下面的架构图是它的原始形态。

图注：TransMIL 原始架构：patch 序列经过 ResNet50 提取特征并降维，进入 TPT 模块完成平方化、相关性建模、位置编码与深度聚合，最后输出一个 bag 级预测。本论文把图中的 ResNet50 换成了冻结的 WavLM，输入也从病理切片换成了一段段语音录音。TransMIL

还有一个值得知道的工程细节。Bridge2AI-Voice 公开发布的只有频谱图这类衍生特征，而 WavLM 这类模型吃的是原始波形，论文用 Griffin-Lim 算法把频谱图近似重构回波形再喂给模型。这是有损近似，论文自己承认可能损失一部分性能。方法整体可以压缩成一句话：冻结的语音基础模型提特征，患者级 TransMIL 聚合。但有个细节吊着胃口：为什么偏偏是 WavLM，而且偏偏取第 15 层，而不是最后一层？

8 个模型拉出来比：会"听说话"的模型赢了，还赢在中间层

论文把选型做成了系统对比：9 个候选，三个阵营。手工特征基线一组。通用音频基础模型五组，它们在大规模多域音频上预训练，任务目标是音乐、环境音一类。语音专精基础模型三组，预训练时"听过"海量人说话。全部走同一套协议：患者级 5 折交叉验证，每个 encoder 配自己表现最好的聚合头。同一份数据、同一套分割，谁强谁弱一目了然。需要说明，聚合头的配法来自论文配套的 GitHub README 补充，正文表格本身没有逐行列出。

表格里最扎眼的不是冠军，而是断层的位置。最好的通用音频模型 AST 是 0.886，仍然低于最弱的语音专精模型 Whisper 的 0.925。0.04 的差距在医学任务上不小，何况 AST 已经是通用阵营里最强的。这组数支持语音专精预训练更适合捕捉与狭窄相关的线索这一解释，也给其他可能的原因留了余地。换个指标看更明显：F1 从手工特征的 0.484 一路涨到 WavLM 的 0.783。AUROC 看的是排序能力，F1 看的是实际阈值下的取舍，两者同时抬升，说明这不是靠调阈值刷出来的区分度。三个语音专精模型的路线各不相同。WavLM 在掩码预测之外加了一个语音去噪任务，让模型在预测被掩码片段时还要对抗噪声，逼它保留说话人身份这类非语义信息。HuBERT 用离线 k-means 聚类造出伪标签再预测。Whisper 走的是大规模弱监督语音识别路线。WavLM HuBERT Whisper

五种通用音频模型的预训练路线南辕北辙。AST 把频谱图切成 patch 喂给纯注意力模型，AudioMAE 掩掉 80% 的 patch 再重建，SSAST 还在掩码预测之外加判别性任务。OpenBEATs 走 token 化掩码语言建模，训练数据显式排除语音。YAMNet 则是一个 521 类音频事件的通用分类器。放在一起看，有没有"听过多语言人声"成了分水岭。AST AudioMAE SSAST OpenBEATs

模型选定了，还留下一层悬念：取哪一层的表示？直觉上越深的层表示越"高级"，但层选实验给出一条越深反而变差的曲线：L6 是 0.930，L15 冲到 0.952，L20 回落到 0.926，最后一层 L24 只有 0.923。反常在哪？最后一层专门为语义内容优化过，而气道狭窄的信号不在"说了什么"，在"怎么说的"。把 WavLM 的 24 层想成一条竖直的色带。底部是说话人信息，也就是谁在说话。顶部是语义内容，也就是说了什么。中部夹着副语言（paralinguistic）信息，也就是语调、发音细节、嗓音品质这些"怎么说"的层面。喘鸣和发音吃力，正好落在副语言这一层。底层表示还在纠结"这是谁"，顶层已经把注意力放在字词内容上，只有中部保留了副语言细节。WavLM 论文在 SUPERB 基准上的层加权观察早已印证：中间层对副语言类任务贡献最大。WavLM 在 SUPERB 的整体分比 HuBERT 高 2.4 个点，14 个子任务更优，它的识别精度只是追平 HuBERT，真正拉开差距的是说话人与副语言这类非语义任务，去噪预训练目标正是为此设计的。取第 15 层不是玄学，是与副语言线索相关的经验性选择。WavLM

到这里，模型在听什么已经很清楚了：它听的不是字面语义，而是"怎么说话"。那最后一个问题是：该让患者做哪个任务，才能把这种信号最大程度暴露出来？呼吸动作？持续元音？还是自然说话？下一章的答案出乎意料。

最反直觉的一课：最有用的不是呼吸声，而是让患者描述一张图

论文用一个很干净的实验回答任务选择问题，方法叫 leave-one-task-out。对最优模型（WavLM L15 + TransMIL），逐个把某个任务的 embedding 替换成训练集阴性样本的平均 embedding，然后测量模型输出的 logit 变化了多少。logit 是进入概率函数之前的原始分数。置换的材料也有讲究：用阴性样本的均值属于"分布内"扰动，避免拿离谱数值制造假的大变化。某个任务被换掉后预测变化越大，说明模型越依赖这个任务。

图注：论文 Fig 2。横轴是逐个任务置换引起的 logit 变化量，纵轴是 16 个录音任务。最顶端是图片描述任务，往下是朗读段落、复述故事等连续说话任务，最底端贴零的是持续元音与呼吸类任务。横轴单位是 logit 变化量，不是准确率。AirwayStenosis

结果的反差大得惊人。贡献最大的是图片描述任务，就是让患者看着一张图说它画了什么。往下是朗读 Rainbow Passage 段落、复述故事，都是自然的连续说话。而持续元音、滑音这类"发一个音"的任务，加上呼吸、五次深呼吸、咳嗽，全部贴零。DDK 的 /pataka/ 快速音节切换任务排在中等，没有像呼吸任务那样贴零。论文正文只给出了这个排序，配套的 GitHub README 补了具体量级：图片描述贡献 +0.58，朗读段落 +0.24，复述故事 +0.15。该实验表明模型的有效线索主要出现在连续说话任务；至于具体生理来源，论文尚未用这项分析证实。AirwayStenosis

这个结果为什么可信，论文给了两个支撑。其一，同样的置换在阴性对照患者上几乎不改变预测。如果模型依赖的是录音条件、设备差异这些表面线索，阴性样本也会跟着大幅波动。实际不动，说明模型学的是和狭窄相关的真实模式，不是伪相关。其二，这个发现直接推翻了前人对呼吸录音的强调。Anibal 当年特意设计用力吸气来强迫气流掠过声带，这个直觉不能说没有道理，但在 16 个任务的全景下，呼吸任务被证明远不是最有效的入口。论文据此推测，狭窄改变的是说话时精细的声门控制与气流调节，而不是孤立的呼吸音，但这个解释只是点到即止：置换实验证实的是任务的贡献度，并没有直接证实这个生理机制。结论的画面感依然很强：一个人平常怎么说话，比他刻意做一次呼吸动作更诚实。Anibal 2025

这也回头解释了题目的反差：为什么"手机录一段话"就能当筛查入口，因为不需要患者做任何特殊动作，自然说话就是最好的暴露。那么最后的问题落到现实：这个 0.952，到底能不能放进临床？

0.952 能干什么、不能干什么：筛查的边界与这条路的前方

先看边界。0.952 是"有没有狭窄"的二分类成绩。论文把同一个模型挪到三个更细的任务上：狭窄定位（狭窄在哪个位置，三分类）、喘鸣检测（二分类）、严重度分级（三分类）。

三行数字讲了一个清楚的故事：语音信号对"有没有"判别很准，对"在哪、多重"明显不足，喘鸣任务的折间波动高达 ±0.189。这个系统在临床路径里的定位是初筛：把可疑的人筛出来转诊给专科，而不是替代支气管镜去确诊或分期。换句话说，如果把它放进就医流程，它应该站在支气管镜前面，回答"这个患者值不值得去做一次全麻内镜"，而不是站在它的位置上。把它当成确诊工具用，会出问题。

论文自己把话说得很谨慎。这些数字来自单一队列、没有外部验证，只能当作开发期估计（development-stage estimate）。134 例狭窄子集偏小，喘鸣等表型任务的样本更少，加上 Griffin-Lim 重构有损，从"论文里的 0.952"到"诊所里能用的初筛"，还差跨语言、跨设备、更大更多样队列的验证。还要泼一盆冷水："手机就能录"是愿景，真实数据要走 PhysioNet 注册加数据使用协议（DUA）的受控访问，不是下载即用。不过代码本身以 MIT 协议开源，想复现的人至少不用猜实现细节。AirwayStenosis

那 0.952 的可信度底座是什么？数据来自 Bridge2AI-Voice，一个由 NIH 资助的多中心语音健康数据集。官方最新版共 833 名成人受试者，横跨北美 5 个中心，包含 32249 条录音、158.52 小时。论文实际用的是其中 748 人的子集：134 名狭窄患者，614 名对照。一个容易被忽略但重要的设计是：对照组不全是健康人，混入了其他喉、神经、精神、呼吸疾病的患者。这比在小样本纯健康对照上刷出来的分数更接近真实筛查场景，因为真实世界里来筛查的人本来就五花八门。所有受试者的数据都经过去标识化和伦理审查，采集协议本身也是结果可信度的一部分。数据集的规模可以从官方仪表盘直观看到。Bridge2AI

图注：Bridge2AI-Voice 数据仪表盘。上方五张卡片给出总览：833 名受试者、32249 条录音、9047 份问卷、12042 个声学任务、158.52 小时录音。下方环形图按诊断组展示 5 段分布，加和正好是 833。Bridge2AI

最后看一眼这条路的前方。同一数据家族里有一个平行方向：MARVEL 用一个模型同时筛查 9 种神经、呼吸和嗓音疾病，在 442 名受试者的子集上整体 AUROC 0.78，其中阿尔茨海默病和轻度认知障碍单病种能到 0.97。要注意它的评估目标是九病种整体，与本文单病种 0.952 不可直接比较。它走的也不是预训练基础模型路线，双分支卷积骨干全监督训练，但它证明的是同一件事的另一面：九种病共享的声学表征确实存在。顺带一提，MARVEL 里气道狭窄单病种也有 0.89，说明"语音能查狭窄"并不依赖某一种特定架构。下面这张图是它的框架总览。MARVEL

图注：MARVEL 框架总览。MFCC 与 log-Mel 频谱两条特征分支各过一个卷积骨干，拼接后投影到共享表征，再分出 9 个病种头，包括气道狭窄、哮喘、帕金森、阿尔茨海默病等。与本文单病种做深形成结构对照。MARVEL

两条路线放在一起，一幅图景浮现出来。一边把语音 AI 做深，单病种做到 0.95。另一边做广，一个共享表征带 9 个病种头。回到开头那个场景：患者对手机说了一段话，AI 给出判断。这篇论文告诉我们两件具体的事：这段话里确实有信号，而且最值钱的不是呼吸声，是自然说话的方式。0.952 是一张"存在性筛查"的成绩单，诚实、有边界、还缺外部验证。但它把一个过去要全麻内镜才能回答的问题，降到了录音初筛的档位。论文证明的不是"AI 能查喉咙"，而是：你开口说话的方式本身，就是一份待读的筛查报告。

想深入可以读原文：Listening for Airway Stenosis: A Foundation Model-Based Method for Rapid and Accessible Detection — arXiv:2609.15453

参考文献

1. Listening for Airway Stenosis: A Foundation Model-Based Method for Rapid and Accessible Detection（arXiv:2609.15453） — https://arxiv.org/abs/2609.15453
2. NICE HealthTech guidance HTG614: Endoscopic balloon dilation for subglottic or tracheal stenosis, Chapter 2 — https://www.nice.org.uk/guidance/htg614/chapter/2-The-condition-current-treatments-and-procedure
3. WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processing（arXiv:2110.13900） — https://arxiv.org/abs/2110.13900
4. HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units（arXiv:2106.07447） — https://arxiv.org/abs/2106.07447
5. Robust Speech Recognition via Large-Scale Weak Supervision（Whisper，arXiv:2212.04356） — https://arxiv.org/abs/2212.04356
6. AST: Audio Spectrogram Transformer（arXiv:2104.01778） — https://arxiv.org/abs/2104.01778
7. TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification（arXiv:2106.00908） — https://arxiv.org/abs/2106.00908
8. Transformers for rapid detection of airway stenosis and stridor（Anibal et al., Scientific Reports 15:15394, 2025） — https://pmc.ncbi.nlm.nih.gov/articles/PMC12048665/
9. AudioMAE: Masked Autoencoders that Listen（arXiv:2207.06405） — https://arxiv.org/abs/2207.06405
10. OpenBEATs: A Fully Open-Source General-Purpose Audio Encoder（arXiv:2507.14129） — https://arxiv.org/abs/2507.14129
11. SSAST: Self-Supervised Audio Spectrogram Transformer（arXiv:2110.09784） — https://arxiv.org/abs/2110.09784
12. Bridge2AI-Voice: An ethically-sourced, diverse voice dataset linked to health information（v3.1.0, PhysioNet） — https://physionet.org/content/b2ai-voice/3.1.0/
13. MARVEL: Unified Acoustic Representations for Screening Neurological and Respiratory Pathologies from Voice（arXiv:2508.20717） — https://arxiv.org/abs/2508.20717