Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Tekoäly ja äänitahtojen tunnistamisen hyvänlaatuiset vauriot

tiistai 21. helmikuuta 2023 päivittänyt: Marchese Maria Raffaella, Fondazione Policlinico Universitario Agostino Gemelli IRCCS

Keinotekoinen älykkyys äänitallenteiden hyvänlaatuisten vaurioiden tunnistamiseen

Tekoälyn (AI) kehitys, äänitekniikan kehitys, audiosignaalin analyysin edistyminen ja luonnollisen kielen prosessointi-/ymmärrysmenetelmät ovat avanneet tien lukuisille mahdollisille äänen sovelluksille, kuten äänen biomarkkerien tunnistamiseen diagnoosia ja luokittelua varten. tai kliinisen käytännön tehostamiseksi. Viime aikoina tutkimukset keskittyivät äänen äänisignaalin rooliin patogeenisen prosessin tunnusmerkkinä. Dysfonia osoittaa, että äänen tuotannossa on tapahtunut negatiivisia muutoksia. Dysfonian yleinen esiintyvyys on noin 1 %, vaikka todelliset määrät voivat olla korkeampia tutkitusta väestöstä ja tietyn äänihäiriön määritelmästä riippuen. Äänen kunto voidaan arvioida useilla akustisilla parametreilla. Puhepatologian ja akustisten ääniominaisuuksien välinen suhde on kliinisesti vahvistettu ja puheasiantuntijat vahvistaneet sekä kvantitatiivisesti että subjektiivisesti. Automaattiset järjestelmät on suunniteltu määrittämään, kuuluuko näyte terveelle vai ei-terveelle henkilölle. Akustisten parametrien tarkkuus liittyy ominaisuuksiin, joita käytetään niiden arvioinnissa puhekohinan tunnistamisessa. Nykyiset puhehaut rajoittuvat enimmäkseen peruskysymyksiin, vaikka niillä onkin laaja näkökulma. Tiettyjen äänihuuteen sairauksien äänibiomarkkereita koskeva kirjallisuus on anekdoottista ja liittyy toiminnallisiin äänihuuteen häiriöihin tai harvinaisiin kurkunpään liikehäiriöihin. Yleisimmät dysfonian syyt ovat äänitautteen hyvänlaatuiset vauriot (BLVF). Tällä hetkellä videolaryngostroboskopia, vaikka se on invasiivinen, on kultainen standardi BLVF: n diagnosoinnissa. Se on kuitenkin invasiivinen ja kallis toimenpide. Uudet ML-algoritmit ovat äskettäin parantaneet valittujen ominaisuuksien luokittelutarkkuutta kohdemuuttujissa verrattuna tavanomaisiin menetelmiin, koska ne pystyvät yhdistämään ja analysoimaan suuria ääniominaisuuksien tietojoukkoja. Vaikka suurin osa tutkimuksista keskittyy häiriön diagnosointiin, jossa erotetaan terveet ja ei-terveet henkilöt, tutkijat uskovat, että tärkeämpi tehtävä on usein kahden tai useamman sairauden välinen erotusdiagnoosi. Vaikka tämä on haastava tehtävä, on ratkaisevan tärkeää siirtää päätöksentekotuki tälle tasolle. Tämän tutkimuksen päätavoitteena olisi tutkia, kehittää ja validoida ML-algoritmeja tunnistamaan erilaiset BVLVFL:t digitaalisista äänitallenteista.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Tutkijat keräävät äänitallenteita dysfonisista osallistujista, joihin BLVF vaikuttaa. Kaikki ääninäytteet jaetaan endoskooppisen diagnoosin perusteella seuraaviin ryhmiin: äänihuukun kystat, Reinken turvotus, kyhmyt ja polyypit. Ääniraidat saadaan pyytämällä ääntämään sana /aiuole/ tavallisella äänenvoimakkuudella, äänenkorkeudella ja laadulla kolme kertaa peräkkäin. Äänet hankitaan Shure-mallin SM48-mikrofonilla (Evanston IL), joka on sijoitettu 45°:n kulmaan 20 cm:n etäisyydelle potilaan suusta. Mikrofonin kyllästystuloksi vahvistetaan 6/9 CH1:stä ja ympäristömelu oli <30 dB äänenpainetasoa (SPL). Signaalit tallennetaan ".nvi"-muodossa Kay Elemetricsin (Lincoln Park, NJ, USA) teräväpiirtoäänentallentimella Computerized Speech Lab, malli 4300B 50 kHz:n näytteenottotaajuudella ja muunnetaan muotoon ". wav" muodossa. Jokaiseen äänitiedostoon merkitään nimettömästi sukupuoli ja BLVF-tyyppi.

Analyysiputki Kaikki seuraavat analyysit suoritetaan käyttäen MatLab R2019b:tä, MathWorksia, Natick MA, USA. Analyysiputki sisälsi signaalin esikäsittelyn, ominaisuuksien poimimisen, ominaisuuksien seulonnan ja mallin toteutuksen.

Ominaisuuksien erottaminen Segmentoidusta signaalista erotetaan 66 erilaista ominaisuutta ajan, taajuuden ja kestraalialueen osalta. Sitten lasketaan seitsemän tilastollista mittaa erotetuille piirteille, nimittäin: keskiarvo, keskihajonna, vinous, kurtosis, 25., 50. ja 75. prosenttipiste. Lisäksi tehospektrin värinä, hohtaa ja kallistus saadaan koko segmentoimattomasta signaalista.

Ominaisuuksien seulonta Ominaisuuksien seulontaa sovelletaan biostatistisilla analyyseillä koko tietojoukolle, jotta luokittelijalle syötettävien ominaisuuksien laajennettu määrä voidaan vähentää. Luokittelutehtävän kannalta oleellisten piirteiden seulomiseen käytetään kahta tilastollista testiä: yksisuuntaista varianssianalyysiä (ANOVA), kun kaikki ryhmät jakautuivat normaalisti, ja muutoin Kruskal-Wallis-testiä. Ryhmien normaalisuus varmistetaan Kolmogorov-Smirnov-testillä. Kaikissa testeissä p-arvoa <0,05 pidetään tilastollisesti merkitsevänä.

A. Mallin toteutus Tähän tutkimukseen valittu algoritmi on epälineaarinen tukivektorikone (SVM), jossa on Gaussin ydin. Luokittelusuorituskykyä mitataan tarkkuudella ja keskimääräisellä F1-pisteellä. Molemmat mittarit tarjotaan yleisten luokittelutulosten ja sukupuolialaryhmien tulosten kuvaamiseksi.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Odotettu)

300

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Opiskelupaikat

  • Italia
      • Roma, Italia, 00198
        • Rekrytointi
        • Maria Raffaella Marchese
        • Ottaa yhteyttä:

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

18 vuotta - 65 vuotta (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei käytössä

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Todennäköisyysnäyte

Tutkimusväestö

Potilaat, joilla on äänihuutteen hyvänlaatuisia vaurioita

Kuvaus

Sisällyttämiskriteerit:

  • Reinken turvotus
  • äänihuutteen kysta
  • äänihuutteen kyhmy
  • äänihuutteen polyyppi

Poissulkemiskriteerit:

  • aiempi kurkunpään tai kilpirauhasen leikkaus
  • aikaisempi puheterapia
  • nykyiset keuhkosairaudet
  • nykyinen gastroesofageaalinen refluksi
  • kurkunpään liikehäiriö tai toistuva kurkunpään hermohalvaus
  • Italian kielen äidinkielenään puhujat

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
ML-algoritmien validointi eri BVFL:n tunnistamiseksi
Aikaikkuna: viisi vuotta
Poistetuille piirteille lasketut tilastolliset suuret ovat seuraavat: keskiarvo, keskihajonta, vinous, kurtoosi, 25., 50. ja 75. persentiilit. Lisäksi tehospektrin värinä, hohtaa ja kallistus saadaan koko segmentoimattomasta signaalista.
viisi vuotta

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Fondazione Policlinico Universitario Agostino Gemelli IRCCS

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Maanantai 1. marraskuuta 2021

Ensisijainen valmistuminen (Odotettu)

Lauantai 1. marraskuuta 2025

Opintojen valmistuminen (Odotettu)

Lauantai 1. marraskuuta 2025

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Keskiviikko 1. helmikuuta 2023

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Tiistai 21. helmikuuta 2023

Ensimmäinen Lähetetty (Arvio)

Maanantai 6. maaliskuuta 2023

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Arvio)

Maanantai 6. maaliskuuta 2023

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 21. helmikuuta 2023

Viimeksi vahvistettu

Keskiviikko 1. helmikuuta 2023

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 4519

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Tilaa