Künstliche Intelligenz und gutartige Läsionen der Stimmlippenerkennung

Die Entwicklung der künstlichen Intelligenz (KI), die Evolution der Sprachtechnologie, Fortschritte in der Audiosignalanalyse und Methoden zur Verarbeitung und zum Verständnis natürlicher Sprache haben den Weg für zahlreiche potenzielle Anwendungen der Stimme geebnet, wie z. B. die Identifizierung von stimmlichen Biomarkern für Diagnose und Klassifizierung oder zur Verbesserung der klinischen Praxis. In jüngerer Zeit konzentrierten sich die Forschungen auf die Rolle des Audiosignals der Stimme als Signatur des pathogenen Prozesses. Dysphonie zeigt an, dass einige negative Veränderungen in der Stimmerzeugung aufgetreten sind. Die Gesamtprävalenz von Dysphonie beträgt etwa 1 %, auch wenn die tatsächlichen Raten je nach untersuchter Population und Definition der spezifischen Stimmstörung höher sein können. Die Stimmgesundheit kann anhand mehrerer akustischer Parameter beurteilt werden. Die Beziehung zwischen Stimmpathologie und akustischen Stimmmerkmalen wurde klinisch etabliert und sowohl quantitativ als auch subjektiv von Sprachexperten bestätigt. Die automatischen Systeme sind so ausgelegt, dass sie bestimmen, ob die Probe zu einem gesunden Probanden oder einem nicht gesunden Probanden gehört. Die Genauigkeit akustischer Parameter ist mit den Merkmalen verknüpft, die verwendet werden, um sie für die Erkennung von Sprachgeräuschen zu schätzen. Aktuelle Sprachsuchen beschränken sich meist auf grundsätzliche Fragestellungen, wenn auch mit breiten Perspektiven. Die Literatur zu stimmlichen Biomarkern spezifischer Stimmbanderkrankungen ist anekdotisch und bezieht sich auf funktionelle Stimmbandstörungen oder seltene Bewegungsstörungen des Kehlkopfes. Die häufigsten Ursachen für Dysphonie sind die benignen Läsionen der Stimmlippe (BLVF). Derzeit ist die Videolaryngostroboskopie, obwohl invasiv, der Goldstandard für die Diagnose von BLVF. Es ist jedoch ein invasives und teures Verfahren. Die neuartigen ML-Algorithmen haben kürzlich die Klassifikationsgenauigkeit ausgewählter Merkmale in Zielvariablen im Vergleich zu konventionelleren Verfahren verbessert, dank der Fähigkeit, große Datensätze von Sprachmerkmalen zu kombinieren und zu analysieren. Auch wenn sich die meisten Studien auf die Diagnose einer Störung konzentrieren und dabei zwischen gesunden und nicht gesunden Probanden unterscheiden, sehen die Forscher die wichtigere Aufgabe häufig in der Differenzialdiagnose zwischen zwei oder mehreren Krankheiten. Auch wenn dies eine herausfordernde Aufgabe ist, ist es von entscheidender Bedeutung, die Entscheidungsunterstützung auf diese Ebene zu verlagern. Das Hauptziel dieser Forschung wäre die Untersuchung, Entwicklung und Validierung von ML-Algorithmen zur Erkennung der unterschiedlichen BVLVFL aus digitalen Sprachaufzeichnungen.