🤖 machine learning

Beyond Classification: A Cough Regression Benchmark for Respiratory Acoustic Foundation Models

यह शोध पत्र श्वसन ध्वनिक फाउंडेशन मॉडल्स (respiratory acoustic foundation models) के लिए एक मल्टी-टारगेट कफ रिग्रेशन बेंचमार्क प्रस्तुत करता है, जो यह प्रदर्शित करता है कि जबकि MLP-आधारित रिग्रेशन हेड्स, लीनियर प्रोबिंग और मीन प्रेडिक्टर्स से बेहतर प्रदर्शन करते हैं, इष्टतम प्रदर्शन डेटासेट के आकार और मॉडल हेड क्षमता के बीच एक समझौते पर निर्भर करता है, जिसमें सामान्य-से-विशिष्ट अनुकूलन (general-to-specific adaptation) के पक्ष में महत्वपूर्ण विषम स्थानांतरण क्षमताएं (asymmetric transfer capabilities) निहित हैं।

मूल लेखक: Mayur Sanap, Prasanna Desikan, Edgar Lobaton

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mayur Sanap, Prasanna Desikan, Edgar Lobaton

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास खांसी की रिकॉर्डिंग का एक विशाल पुस्तकालय है। वैज्ञानिकों ने "सुपर-स्मार्ट" कंप्यूटर दिमाग (जिन्हें फाउंडेशन मॉडल्स कहा जाता है) बनाए हैं, जिन्होंने लाखों खांसी की आवाजों को पढ़कर यह सीखा है कि वे कैसी सुनाई देती हैं। आमतौर पर, इन कंप्यूटरों से केवल एक सरल खेल खेलने के लिए कहा जाता है: "क्या यह एक स्वस्थ खांसी है या बीमार वाली खांसी?" (वर्गीकरण/Classification)।

यह शोध एक बहुत कठिन प्रश्न पूछता है: "क्या ये कंप्यूटर सिर्फ सुनकर विशिष्ट नंबरों का अनुमान लगा सकते हैं?"

इसे इस तरह से सोचें: केवल यह कहने के बजाय कि "यह व्यक्ति बीमार है," क्या कंप्यूटर अनुमान लगा सकता है कि, "इस व्यक्ति की उम्र संभवतः 45 वर्ष है," या "उनका बॉडी मास इंडेक्स (BMI) 22 है," या "इस बात की 60% संभावना है कि उन्हें तपेदिक (Tuberculosis) है?"

यहाँ शोधकर्ताओं ने जो पाया है, उसे सरल कहानियों में विभाजित किया गया है:

1. "सिर" मायने रखता है (टोपी का रूपक)

कंप्यूटर के दिमाग का एक "सिर" (एक छोटा अतिरिक्त स्तर) होता है जो ध्वनि की जानकारी लेता है और उसे एक संख्यात्मक अनुमान में बदल देता है। शोधकर्ताओं ने तीन अलग-अलग प्रकार की टोपियों का परीक्षण किया:

सरल टोपी (Linear): बहुत बुनियादी, जैसे एक सीधी रेखा।
मध्यम टोपी (MLP-small): थोड़ी अधिक लचीली, जिसमें एक छोटा आंतरिक नेटवर्क है।
विशाल टोपी (Full MLP): एक विशाल, जटिल नेटवर्क।

परिणाम: मध्यम टोपी विजेता रही। इसने अधिकांश मामलों में सरल टोपी को पीछे छोड़ दिया। विशाल टोपी बहुत अधिक भव्य थी, जो चिकित्सा के छोटे डेटा के लिए उपयुक्त नहीं थी; इसने सामान्य नियम सीखने के बजाय विशिष्ट रोगियों को ही याद करने की कोशिश की (इसे "ओवरफिटिंग" कहा जाता है)। हालांकि, जब उन्होंने विशाल टोपी को डेटा का एक बड़ा ढेर दिया, तो यह अंततः अच्छी तरह काम करने लगी।

सीख: अखरोट तोड़ने के लिए हथौड़े का उपयोग न करें, लेकिन यदि आपके पास अखरोटों का पहाड़ है, तो हथौड़ा बहुत अच्छा काम करता है।

2. "प्रशिक्षण शैली" मायने रखती है (शिक्षक का रूपक)

शोधकर्ताओं ने कंप्यूटरों को मूल रूप से प्रशिक्षित करने के विभिन्न तरीकों की तुलना की:

कॉन्ट्रास्टिव ट्रेनिंग (OPERA-CT): एक ऐसे शिक्षक की तरह जो कहता है, "यह खांसी उस खांसी जैसी लगती है, लेकिन इस वाली से अलग है।"
जेनरेटिव ट्रेनिंग (OPERA-GT): एक ऐसे शिक्षक की तरह जो कहता है, "यहाँ एक खांसी है जिसका एक हिस्सा गायब है; क्या आप खाली स्थान भर सकते हैं?"

परिणाम: जेनरेटिव शिक्षक (जो खाली स्थान भरने का अभ्यास करता है) उम्र का अनुमान लगाने में कॉन्ट्रास्टिव शिक्षक की तुलना में थोड़ा बेहतर था। यह उन तीनों समूहों के बीच भी सच साबित हुआ जिनका परीक्षण किया गया था। इससे पता चलता है कि ध्वनि को "पुनर्निर्मित" (reconstruct) करना सीखने से कंप्यूटर शरीर के भौतिक विवरणों को बेहतर ढंग से समझने में मदद मिलती है।

3. "डेटा का आकार" की समस्या (भीड़ बनाम क्लिनिक)

यह इस संबंध में दिलचस्प है कि डेटा कहाँ से आया था।

बड़ी भीड़: उनके पास इंटरनेट से एकत्र की गई खांसी के विशाल डेटासेट थे (जैसे CoughVID)।
छोटा क्लिनिक: उनके पास जाम्बिया के एक अस्पताल (CIDCZ) से प्राप्त छोटे, बहुत विशिष्ट डेटासेट थे।

परिणाम: ज्ञान का हस्तांतरण एक एकतरफा रास्ता था।

यदि आपने कंप्यूटर को बड़ी भीड़ पर प्रशिक्षित किया और छोटे क्लिनिक पर परीक्षण किया, तो यह आश्चर्यजनक रूप से अच्छा काम करता है। कंप्यूटर ने भीड़ से सामान्य नियम सीख लिए जो क्लिनिक पर लागू होते हैं।
यदि आपने छोटे क्लिनिक पर प्रशिक्षण लेने की कोशिश की और बड़ी भीड़ पर परीक्षण किया, तो यह बुरी तरह विफल रहा। क्लिनिक का डेटा बहुत संकीकृत और विशिष्ट था कि वह पूरी दुनिया के बारे में कंप्यूटर को सिखा सके।

4. "फ्यू-शॉट" चमत्कार (तेज सीखने वाला)

उम्र का अनुमान लगाने के लिए कंप्यूटर को कितने डेटा की आवश्यकता है?

कुछ मॉडल (जैसे HEAR और M2D+RESP) प्रतिभाशाली बच्चों की तरह हैं। वे केवल 50 उदाहरण देखकर उम्र का अनुमान लगभग पूरी तरह से लगाने में सक्षम हैं।
अन्य मॉडल (जैसे OPERA परिवार) परिश्रमी छात्रों की तरह हैं। उन्हें अच्छा होने के लिए लगभग 400 उदाहरण देखने की आवश्यकता होती है।

यह सुझाव देता है कि कंप्यूटर की प्रारंभिक ट्रेनिंग के दौरान उसने कितनी विविध ध्वनियाँ सुनीं (उसका "प्रीट्रेनिंग"), वह उसके स्वयं के आर्किटेक्चर की तुलना में अधिक महत्वपूर्ण है।

5. वास्तविकता की जाँच (अच्छी खबर, बुरी खबर)

हालांकि कंप्यूटर केवल "बीमार" या "स्वस्थ" बताने के बजाय संख्याओं का अनुमान लगाने में बेहतर हुआ, फिर भी परिणाम पूर्ण नहीं थे।

अच्छी खबर: बड़े इंटरनेट डेटासेट पर, कंप्यूटर लगभग 9-10 वर्षों की त्रुटि के साथ उम्र का अनुमान लगा सकते थे। यह केवल सभी की औसत आयु का अनुमान लगाने से बेहतर है।
बुरी खबर: विशिष्ट नैदानिक डेटासेट (CIDCZ) पर, कंप्यूटर समूह की औसत आयु का अनुमान लगाने से थोड़ा ही बेहतर कर पाए। "सिग्नल" (खांसी में वास्तविक उपयोगी जानकारी) बहुत कमजोर था कि कंप्यूटर उस विशिष्ट समूह के व्यक्तिगत रोगियों के बारे में विशिष्ट विवरण पकड़ सके।

सारांश

यह शोध पत्र खांसी की आवाजों वाले कंप्यूटरों के लिए एक नया "टेस्ट ट्रैक" पेश करता है। उन्होंने पाया कि:

एक मध्यम आकार का प्रेडिक्शन टूल छोटे चिकित्सा डेटासेट के लिए सबसे अच्छा काम करता है।
जेनरेटिव ट्रेनिंग (खाली स्थान भरना) कॉन्ट्रास्टिव ट्रेनिंग की तुलना में उम्र का अनुमान लगाने में थोड़ा बेहतर है।
बड़ा डेटा कंप्यूटर को छोटे, विशिष्ट समूहों को संभालने के लिए सिखा सकता है, लेकिन छोटा डेटा उन्हें बड़े, विविध समूहों को संभालने के लिए नहीं सिखा सकता।
कुछ मॉडल तेज सीखने वाले (50 नमूनों की आवश्यकता) होते हैं, जबकि अन्य को अधिक अभ्यास की आवश्यकता होती है।

लेखक सावधानीपूर्वक कहते हैं कि यह एक बेंचमार्क अध्ययन है। वे यह दिखा रहे हैं कि ये मॉडल इन विशिष्ट कार्यों में कैसे प्रदर्शन करते हैं, न कि यह दावा कर रहे हैं कि डॉक्टर अभी से मरीजों का निदान करने के लिए खांसी का उपयोग करना शुरू कर दें। तकनीक आशाजनक है, लेकिन फिलहाल, यह मुख्य रूप से यह समझने के लिए एक उपकरण है कि ये AI मॉडल क्या कर सकते हैं और क्या नहीं।

तकनीकी सारांश: वर्गीकरण से परे: श्वसन ध्वनिक फाउंडेशन मॉडल्स के लिए एक कफ रिग्रेशन बेंचमार्क

समस्या विवरण

श्वसन ध्वनिक फाउंडेशन मॉडल्स (FMs) ने श्रेणीबद्ध कफ वर्गीकरण (categorical cough classification) में दक्षता प्रदर्शित की है। हालांकि, निरंतर स्वास्थ्य मात्राओं—जैसे कि आयु, बॉडी मास इंडेक्स (BMI), और रोग की संभावना—की भविष्यवाणी करने की उनकी क्षमता, जो खांसी की ऑडियो से प्राप्त होती है, काफी हद तक अनछुए क्षेत्र में है। यह अंतर निम्न और मध्यम आय वाले देशों (LMICs) और उन परिवेशों के लिए महत्वपूर्ण है जहाँ भौतिक माप (जैसे, जन्म रिकॉर्ड, वजन करने वाली मशीनें) उपलब्ध नहीं हैं। इन संदर्भों में, खांसी की ध्वनिकी के माध्यम से शारीरिक अवस्थाओं का निष्क्रिय अनुमान लगाना ट्राइएज (triage) के लिए एक सुलभ विकल्प बन सकता है। जबकि मौजूदा साहित्य FMs को वर्गीकरण पर बेंचमार्क करता रहा है, उनकी रिग्रेशन क्षमताओं का कई मॉडलों, लक्ष्यों और डेटासेटों में व्यवस्थित रूप से लक्षण वर्णन नहीं किया गया है।

कार्यप्रणाली

लेखक एक एकीकृत, बहु-मॉडल, बहु-लक्ष्य कफ रिग्रेशन बेंचमार्क पेश करते हैं, जिसे पांच फ्रोजन (frozen) श्वसन ध्वनिक फाउंडेशन मॉडल्स के रिग्रेशन गुणों का मूल्यांकन करने के लिए डिज़ाइन किया गया है।

डेटासेट और कार्य

बेंचमार्क सब्जेक्ट-डिस्जॉइंट प्रोटोकॉल के तहत तीन अलग-अलग डेटासेट का उपयोग करता है:

CIDRZ: जाम्बिया के एक टीबी क्लिनिक से स्मार्टफोन-रिकॉर्डेड स्वैच्छिक खांसी ( $N=1049$ )। लक्ष्य (Targets) में आयु, BMI, चेस्ट एक्स-रे असामान्यता स्कोर, और टीबी की संभावना शामिल हैं।
Coswara: महामारी के दौरान भारत से रिमोटली एकत्र की गई उथली (shallow) खांसी ( $N=2560$ )। लक्ष्य: स्व-रिपोर्ट की गई आयु।
CoughVID: स्मार्टफोन के माध्यम से वैश्विक स्तर पर सबमिट की गई स्वैच्छिक खांसी ( $N=6858$ )। लक्ष्य: आयु।

फाउंडेशन मॉडल्स (एनकोडर्स)

पांच फ्रोजन एनकोडर्स का मूल्यांकन किया गया है जो तीन प्रीट्रेनिंग प्रतिमानों (paradigms) में फैले हुए हैं:

OPERA परिवार (श्वसन-विशिष्ट SSL):
- OPERA-CT: कॉन्ट्रास्टिव ट्रांसफॉर्मर (768-d)।
- OPERA-CE: कॉन्ट्रास्टिव CNN (1280-d)।
- OPERA-GT: जेनेरेटिव मास्क ऑटोएनकोडर (MAE) जिसमें 8.18s का पोजीशनल ग्रिड है (384-d)।
HEAR: एक ViT-L MAE जो 313M हेल्थ ऑडियो क्लिप्स पर प्रीट्रेन किया गया है (512-d), जो केवल श्वसन ध्वनियों के बजाय व्यापक नैदानिक ऑडियो को कवर करता है।
M2D+RESP: ऑडियोसेट पर मास्क स्पेक्ट्रोग्राम प्रेडिक्शन और श्वसन फाइन-ट्यूनिंग को जोड़ता है, जिसे 3480-d वेक्टर में मीन-पूल (mean-pooled) किया गया है।

रिग्रेशन हेड्स और ट्रेनिंग

अध्ययन तीन रिग्रेशन हेड्स की तुलना करता है जो फ्रोजन एम्बेडिंग्स पर लागू होते हैं:

Linear: मानक लीनियर प्रोबिंग ( $d_{feat} \to 1$ )।
MLP-small: एक बॉटलनेक आर्किटेक्चर ( $d_{feat} \to 256 \to 1$ ) जिसमें ReLU और ड्रॉपआउट है, जिसे एम्बेडिंग-साइज़ एग्नोस्टिक बनाने के लिए डिज़ाइन किया गया है।
Full MLP: एक फुल-विड्थ आर्किटेक्चर ( $d_{feat} \to d_{feat} \to 1$ ), जिससे उच्च क्षमता (जैसे, M2D+RESP के लिए ~15M पैरामीटर) अपेक्षित है।

सभी मॉडल्स को एडम ऑप्टिमाइज़र (Adam optimizer), MSE लॉस, और अर्ली स्टॉपिंग का उपयोग करके प्रशिक्षित किया गया है। प्रदर्शन को नेचुरल यूनिट्स में मीन एब्सोल्यूट एरर (MAE) के माध्यम से मापा जाता है, जिसकी तुलना एक नाइव मीन-प्रेडिक्टर बेसलाइन (Mean Absolute Deviation, MAD) से की जाती है।

मूल्यांकन व्यवस्था (Evaluation Regimes)

विदिन-डेटासेट रिग्रेशन (Within-Dataset Regression): होल्ड-आउट टेस्ट स्प्लिट्स पर सभी लक्ष्यों का मूल्यांकन करना।
हेड तुलना (Head Comparison): डेटासेट के आकार और हेड क्षमता के बीच अंतःक्रिया का लक्षण वर्णन करना।
क्रॉस-डेटासेट ट्रांसफर (Cross-Dataset Transfer): एक डेटासेट पर प्रशिक्षण और अन्य डेटासेट पर मूल्यांकन (विशेष रूप से आयु के लिए, जो कई डेटासेटों में साझा लक्ष्य है)।
लो-डेटा रिजीम (Low-Data Regime): प्रशिक्षण सेट के आकार ( $N$ ) के फलन (function) के रूप में प्रदर्शन का विश्लेषण करना।

प्रमुख योगदान

यह शोध पत्र पांच प्राथमिक योगदान प्रदान करता है:

व्यापक बेंचमार्क: सब्जेक्ट-डिस्जॉइंट प्रोटोकॉल के तहत छह लक्ष्यों और तीन डेटासेटों पर पांच FMs का एक बहु-मॉडल, बहु-लक्ष्य मूल्यांकन।
रिग्रेशन हेड विश्लेषण: यह पहचानना कि एक छोटा MLP हेड आमतौर पर लीनियर प्रोबिंग से बेहतर प्रदर्शन करता है और फुल MLPs से होने वाले ओवरफिटिंग से बचता है, जो छोटे क्लिनिकल डेटासेट पर होता है।
जेनेरेटिव प्रीट्रेनिंग का लाभ: साक्ष्य कि जेनेरेटिव प्रीट्रेनिंग (OPERA-GT), कॉन्ट्रास्टिव प्रीट्रेनिंग (OPERA-CT) की तुलना में आयु रिग्रेशन पर बेहतर प्रदर्शन करती है, जो ब्रीथ ऑडियो से लेकर खांसी तक पिछले निष्कर्षों का विस्तार करती है।
एसिमेट्रिक ट्रांसफर (Asymmetric Transfer): यह प्रदर्शन करना कि क्रॉस-डेटासेट ट्रांसफर अत्यधिक एसिमेट्रिक है; बड़े वेब-कलेक्टेड डेटा से छोटे क्लिनिकल पॉपुलेशन में सामान्यीकरण (generalize) किया जा सकता है, लेकिन इसका उल्टा संभव नहीं है।
लो-डेटा दक्षता: विश्लेषण दर्शाता है कि विविध प्रीट्रेनिंग कॉर्पोरा वाले मॉडल्स (HEAR, M2D+RESP) केवल 50 लेबल किए गए नमूनों के साथ पूर्ण प्रदर्शन के करीब पहुँच जाते हैं, जबकि छोटे, डोमेन-विशिष्ट कॉर्पोरा वाले मॉडल्स (OPERA) को काफी अधिक डेटा ( $N=400$ ) की आवश्यकता होती है।

परिणाम

विदिन-डेटासेट प्रदर्शन

सिग्नल स्ट्रेंथ: सबसे मजबूत सिग्नल Coswara डेटासेट पर आयु भविष्यवाणी के लिए देखा गया (बेस्ट/MAD अनुपात = 0.81)। CoughVID आयु भविष्यवाणी ने कमजोर सिग्नल दिखाया (0.93)।
क्लिनिकल स्कोर: CIDRZ लक्ष्यों (BMI, X-ray असामान्यता, TB संभावना) के लिए, सभी मॉडल्स चांस फ्लोर (chance floor) के करीब रहे (बेस्ट/MAD क्रमशः 0.92 और 0.99 के बीच)। न्यूनतम इंटर-मॉडलल स्प्रेड एक रिप्रेजेंटेशनल सीलिंग (representational ceiling) का सुझाव देता है जहाँ एम्बेडिंग्स इन विशिष्ट क्लिनिकल स्कोर के लिए लीनियर प्रोबिंग के तहत उपयोगी पेशेंट-लेवल सिग्नल कैप्चर नहीं करते हैं।
बेसलाइन तुलना: सभी मॉडल्स ने नाममात्र रूप से मीन-प्रेडिक्टर बेसलाइन को पार किया, लेकिन मार्जिन अक्सर बहुत कम था।

हेड आर्किटेक्चर तुलना

MLP-small का प्रभुत्व: MLP-small हेड 30 मॉडल $\times$ टास्क संयोजनों में से 23 में विजेता रहा, जिसने लीनियर प्रोबिंग की तुलना में 0.38 वर्ष तक बेहतर प्रदर्शन किया (Coswara पर HEAR)।
ओवरफिटिंग बनाम रिकवरी: फुल MLPs छोटे डेटासेट पर ओवरफिट होते हैं (उदाहरण के लिए, CIDRZ पर M2D+RESP में MLP-small की तुलना में +0.53 वर्ष की गिरावट आई) लेकिन बड़े डेटासेट (CoughVID) पर रिकवर हो जाते हैं, जो डेटा-साइज़ $\times$ हेड-कैपेसिटी ट्रेड-ऑफ को प्रकट करता है।

प्रीट्रेनिंग प्रतिमान (Pretraining Paradigms)

जेनेरेटिव बनाम कॉन्ट्रास्टिव: OPERA-GT ने तीनों डेटासेट पर आयु रिग्रेशन के लिए लगातार OPERA-CT से बेहतर प्रदर्शन किया। हालांकि CIDRZ पर मार्जिन सीड वेरिएंस के भीतर था, Coswara और CoughVID पर अंतराल महत्वपूर्ण था, जो बताता है कि जेनेरेटिव ऑब्जेक्टिव्स अधिक फिजियोलॉजिकल वेरिएशन को कैप्चर करते हैं।
क्रॉस-डेटासेट ट्रांसफर: ट्रांसफर केवल तभी सफल हुआ जब बड़े वेब-कलेक्टेड डेटा (CoughVID, Coswara) का उपयोग मॉडल्स को छोटे क्लिनिकल पॉपुलेशन (CIDRZ) के लिए प्रशिक्षित करने के लिए किया गया।
- CoughVID $\to$ CIDRZ: प्रदर्शन में -0.17 वर्ष का सुधार हुआ।
- CIDRZ $\to$ Coswara: प्रदर्शन में महत्वपूर्ण गिरावट आई (+2.43 वर्ष, +26.6%)।
- यह एसिमेट्री बताती है कि क्लिनिकल कोहॉर्ट्स में वैश्विक क्राउडसोर्स्ड कॉर्पोरा की तुलना में संकीर्ण डेमोग्राफिक रेंज होती है।

लो-डेटा रिजीम

डेटा दक्षता: HEAR और M2D+RESP ने $N=50$ नमूनों पर पूर्ण प्रदर्शन के करीब पहुँच लिया।
OPERA मॉडल्स: स्थिरता के लिए $N=400$ नमूनों की आवश्यकता थी, जिसका कारण उनके छोटे, श्वसन-केवल प्रीट्रेनिंग कॉर्पस को HEAR और M2D+RESP के विविध कॉर्परा की तुलना में छोटा होना है।

महत्व और दावे

यह शोध पत्र दावा करता है कि हालांकि खांसी ध्वनिक FMs निरंतर स्वास्थ्य अनुमान के लिए आशाजनक दिखते हैं, लेकिन उनकी उपयोगिता विशिष्ट कार्य, डेटासेट और आर्किटेक्चरल विकल्पों पर अत्यधिक निर्भर है।

व्यावहारिक हेड चयन: फ्रोजन एम्बेडिंग्स के लिए, एक छोटा MLP हेड पसंदीदा आर्किटेक्चर है, जो डेटा-दुर्लभ क्लिनिकल सेटिंग्स में नॉन-लीनियर कैपेसिटी और ओवरफिटिंग के विरुद्ध मजबूती के बीच संतुलन बनाता है।
प्रीट्रेनिंग प्रभाव: जेनेरेटिव प्रीट्रेनिंग ऑब्जेक्टिव्स आयु रिग्रेशन के लिए कॉन्ट्रास्टिव ऑब्जेक्टिव्स की तुलना में बेहतर प्रतीत होते हैं, और प्रीट्रेनिंग कॉर्पस की विविधता, मॉडल आर्किटेक्चर की तुलना में लो-डेटा प्रदर्शन का एक बड़ा निर्धारक है।
ट्रांसफर सीमाएँ: बेंचमार्क वर्तमान मॉडलों की एक महत्वपूर्ण सीमा को उजागर करता है: वे बड़े, विविध वेब डेटा से छोटे क्लिनिकल पॉपुलेशन में अच्छी तरह से सामान्यीकरण करते हैं, लेकिन छोटे क्लिनिकल डेटा से व्यापक आबादी में विफल रहते हैं। यह प्रभावी क्लिनिकल परिनियोजन को सक्षम करने के लिए विविध प्रीट्रेनिंग डेटा की आवश्यकता को रेखांकित करता है।
कार्य विशिष्टता: परिणाम संकेत देते हैं कि जबकि आयु अनुमान में सीखने योग्य संरचना (learnable structure) है, केवल खांसी की ऑडियो से विशिष्ट क्लिनिकल स्कोर (जैसे टीबी की संभावना या एक्स-रे असामान्यताएं) की भविष्यवाणी करना एक महत्वपूर्ण चुनौती बनी हुई है, जहाँ वर्तमान मॉडल इन विशिष्ट लक्ष्यों पर चांस लेवल के करीब प्रदर्शन करते हैं।

लेखक स्पष्ट रूप से नोट करते हैं कि ये निष्कर्ष फ्रोजन-एम्बेडिंग, शैलो-प्रोब (shallow-probe) रिजीम के दायरे में हैं और पूर्ण फाइन-ट्यूनिंग द्वारा प्राप्त की जा सकने वाली प्रदर्शन की ऊपरी सीमा (performance ceiling) का प्रतिनिधित्व नहीं करते हैं। भविष्य के कार्यों के लिए अतिरिक्त लक्ष्यों, फाइन-ट्यूनिंग रिजीम्स और अटेंशन-पूलिंग हेड्स का पता लगाने का सुझाव दिया गया है।