我认为你在这个问题上扔人工智能太快了。（正如您已经指出的，保持神经网络的替代方案开放：也许因子分析或主成分分析更合适，或者支持向量机）

首先，您必须在问题域中做更多的工作，以发现不同的病理可能导致不同的模型。

我的建议是从一种病理学开始。使用领域知识来确定某些样本中是否存在（以及在何种程度上）病理，以及如何在有限数量的参数中从音频样本中观察到病理。

对于某些病症，语音识别会有所帮助。您可以计算说出的文本和识别的文本的差异。计数（可能是这些计数中的模式）可能是模型的输入（不需要你已经提到的神经网络）。

其他一些病症需要在音频样本中进行音频频谱或时间观察（不自然的音高、不自然的停顿）。

举个例子：口吃。

我会查看音频样本和频谱中的模式差异。例如，口吃与常规语音的频谱图可能如下所示：

因此，通常您希望检测/测量某些频率区域中的相对功率作为口吃的衡量标准，并使用此类数据学习您的模型。

另一种可能也可行的方法是通过语音识别运行口吃样本（和自然样本），以查看是否可以以可数/可测量的方式观察到差异。