综述：基于智能手机的眼部、皮肤和声音数据应用机器学习进行疾病预测的范围综述

这篇综述系统梳理了49项研究，聚焦智能手机采集的眼部、皮肤及声音数据结合机器学习（ML）方法在疾病预测中的应用。通过筛选PubMed和IEEE Xplore数据库，归纳了31个公开数据集和24种ML模型（如随机森林RF、卷积神经网络CNN），覆盖帕金森病、COVID-19、糖尿病视网膜病变等疾病。研究强调智能手机传感器（如麦克风、摄像头）在远程医疗中的潜力，为未来实验设计、数据库选择及算法优化提供参考。

　　

背景

智能手机的普及为医疗诊断带来革新机遇。其内置传感器（如摄像头、麦克风、加速度计）可便捷采集健康数据，结合机器学习（ML）方法实现疾病早期预测。医疗领域产生的海量数据为构建ML模型提供了基础，尤其在乳腺癌、心脏病和糖尿病等慢性病诊断中表现突出。通过分析声音、皮肤和眼部特征，智能手机成为低成本、便携式的健康监测工具。

目标

本综述旨在回答三个核心问题：

1. 现有研究中用于眼、皮肤和声音分析的公开数据库有哪些？
2. 这些领域常用的ML模型是什么？
3. 智能手机如何采集相关数据？
   通过分析49项研究，为健康医疗领域的ML应用提供实践指导。

方法

文献检索采用组合关键词策略，覆盖PubMed和IEEE Xplore数据库，筛选出2390篇论文。通过标题和摘要的关键词筛查（如“machine learning”“smartphone”“disease”），最终纳入49项研究。研究按数据来源分为两类：使用公开数据库的实验和自主设计的智能手机实验。

结果

声音研究

• 数据库：CoughVid（含2.5万咳嗽录音）、mPower（帕金森病语音数据集）等22个数据库被频繁使用。
• ML模型：随机森林（RF, 18.5%）和支持向量机（SVM, 13.0%）最常用，尤其在帕金森病（12项研究）和COVID-19（4项研究）预测中。例如，mPower数据集通过RF分析患者语音和触屏操作数据，实现疾病严重度评分。
• 数据采集：智能手机麦克风录制语音（如持续发“aaah”音），或通过定制App（如Ellipsis Health）收集抑郁患者的语音样本。

皮肤研究

• 数据库：HAM10000（皮肤癌图像）和ImageNet（新生儿黄疸）等4个数据库主导研究。
• ML模型：CNN占比30%，用于皮肤癌分类。例如，LightGBM算法通过智能手机拍摄的面部图像实现痤疮严重度分级。
• 数据采集：手机摄像头拍摄皮肤病变照片，部分研究结合智能手表数据（如皮肤温度）提升情绪障碍预测准确率。

眼部研究

• 数据库：EyePACS和APTOS（糖尿病视网膜病变数据集）等5个数据库为主。
• ML模型：CNN使用率达41.2%，如AlexNet架构通过手机附加镜头拍摄的视网膜图像筛查糖尿病视网膜病变。
• 数据采集：智能手机前置摄像头记录婴儿眼球运动视频，用于自闭症早期筛查。

讨论

跨领域应用
智能手机多模态数据（如语音+加速度计）可同时服务于不同疾病预测。例如，帕金森病研究中的语音和步态数据也可用于情绪分析。然而，用户对隐私（如位置、应用使用记录）的担忧需通过透明数据政策缓解。

局限性
部分研究因未明确使用智能手机被排除；新兴ML算法（如Transformer）尚未广泛引入健康领域。

结论

智能手机结合ML在疾病预测中展现出高效性与可及性。RF和CNN分别是声音/皮肤和眼部研究的首选模型，而mPower、HAM10000等数据库为后续研究提供基准。未来需优化传感器精度、扩大数据集多样性，并加强跨学科合作以推动临床转化。