Multimodalna analiza strukturalnych zaburzeń głosu na podstawie mowy i stroboskopowego wideo laryngoskopowego
22 kwietnia 2022 zaktualizowane przez: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
To badanie ma na celu zebranie danych klinicznych, takich jak stroboskopowe obrazy laryngoskopowe i dane dźwiękowe samogłosek pacjentów ze strukturalnymi zaburzeniami głosu i osób zdrowych, oraz ustanowienie multimodalnego modelu systemu diagnozowania zaburzeń głosu za pomocą algorytmów głębokiego uczenia się.
Wielokrotna klasyfikacja chorób, które powodują zaburzenia głosu, może być zastosowana do pacjentów z zaburzeniami głosu, ale niezdiagnozowanych w praktyce klinicznej, pomagając w ten sposób klinicystom w diagnozowaniu chorób i zmniejszając liczbę błędnych i pominiętych diagnoz.
Ponadto niektórym pacjentom z zaburzeniami głosu można zarządzać zdalnie za pomocą modelu diagnostyki audio, a także uzyskać lepsze wskazówki dotyczące dalszej obserwacji i leczenia.
Zdalna terapia głosowa może złagodzić obecną sytuację niedoboru logopedów w odległych rejonach naszego kraju oraz zwiększyć liczbę pacjentów potrzebujących terapii głosowej.
możliwość.
Zdalna terapia głosowa jest bardziej opłacalna, bardziej elastyczna w czasie i bardziej opłacalna.
Przegląd badań
Status
Jeszcze nie rekrutacja
Warunki
Szczegółowy opis
- Wykrywanie i klasyfikacja uszkodzeń akustycznych na podstawie głębokiego uczenia się mowy
- Wykrywanie i klasyfikacja uszkodzeń akustycznych na podstawie głębokiego uczenia się obrazów
- Wykrywanie i klasyfikacja uszkodzeń akustycznych w oparciu o głębokie uczenie oparte na multimodalności
Typ studiów
Obserwacyjny
Zapisy (Oczekiwany)
1
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: YueXin Cai
- Numer telefonu: 13825063663
- E-mail: caiyx25@mail.sysu.edu.cn
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
20 lat do 80 lat (DOROSŁY, STARSZY_DOROŚLI)
Akceptuje zdrowych ochotników
Tak
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
W tym badaniu 490 pacjentów z zaburzeniami głosu (w tym rakiem krtani, zmianami przedrakowymi krtani i łagodnymi zmianami krtani) oraz 50 zdrowych osób zostało zebranych z filmów z laryngoskopii stroboskopowej i nagrań dźwiękowych samogłosek.
Płeć, przebieg choroby, VHI i inne dane kliniczne.
Opis
Kryteria przyjęcia:
Rak krtani, zmiany przedrakowe krtani, łagodne zmiany krtani z zaburzeniami głosu, osoby zdrowe bez chorób gardła
Kryteria wyłączenia:
- Historia chirurgii krtani
- Pacjenci z zaburzeniami głosu spowodowanymi różnymi przyczynami z wyjątkiem raka krtani, zmian przedrakowych krtani i łagodnych zmian krtani
- Jakość dźwięku nie jest wyraźna, laryngoskop stroboskopowy nie pokazuje wyraźnie obszaru anatomicznego związanego z głośnią, jest niedoświetlony i zablokowany;
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Głębokie uczenie maszynowe klasyfikuje zaburzenia głosu
Ramy czasowe: 6 maja 2022-30 grudnia 2023
|
Dokładność
|
6 maja 2022-30 grudnia 2023
|
|
Głębokie uczenie maszynowe klasyfikuje zaburzenia głosu z multimodalnością
Ramy czasowe: 1 stycznia 2024-30 grudnia 2024
|
precyzja
|
1 stycznia 2024-30 grudnia 2024
|
|
Głębokie uczenie maszynowe klasyfikuje patologiczną zmianę głosu w raku krtani
Ramy czasowe: 1 stycznia 2024-30 grudnia 2025
|
precyzja
|
1 stycznia 2024-30 grudnia 2025
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Głębokie uczenie maszynowe klasyfikuje zaburzenia głosu z multimodalnością
Ramy czasowe: 1 stycznia 2024-30 grudnia 2025
|
przypomnienie sobie czegoś
|
1 stycznia 2024-30 grudnia 2025
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Współpracownicy
Śledczy
- Krzesło do nauki: YueXin Cai, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- Martínez, David, Lleida Eduardo, Ortega Alfonso,Miguel Antonio, Villalba Jesús. Voice pathology detection on the Saarbrücken voice database with calibration and fusion of scores using multifocal toolkit. Advances in Speech and Language Technologies for Iberian Languages. Springer, Berlin, Heidelberg, 2012. 99-109
- Hegde S, Shetty S, Rai S, Dodderi T. A Survey on Machine Learning Approaches for Automatic Detection of Voice Disorders. J Voice. 2019 Nov;33(6):947.e11-947.e33. doi: 10.1016/j.jvoice.2018.07.014. Epub 2018 Oct 11.
- Al-Nasheri A, Muhammad G, Alsulaiman M, Ali Z. Investigation of Voice Pathology Detection and Classification on Different Frequency Regions Using Correlation Functions. J Voice. 2017 Jan;31(1):3-15. doi: 10.1016/j.jvoice.2016.01.014. Epub 2016 Mar 15.
- .Chuang, ZY,YuXT,Chen JY, Hsu YT,Xu ZZ,Wang CT,Lin FC,Fang SH. DNN-based approach to detect and classify pathological voice. In Proceedings of the 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 10-13 December 2018
- Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, Wang CT. Detection of Pathological Voice Using Cepstrum Vectors: A Deep Learning Approach. J Voice. 2019 Sep;33(5):634-641. doi: 10.1016/j.jvoice.2018.02.003. Epub 2018 Mar 19.
- Bethani Gty As H , Suwandi, Anggraini C D . Classification System Vocal Cords Disease Using Digital Image Processing.The 2019 IEEE International Conference on industry 4.0,Artifical Intelligence,and Communications Technology.2019.129-132
- Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015 Jan 1;75(1):31-9. doi: 10.1158/0008-5472.CAN-14-1458. Epub 2014 Nov 4.
- Xiong H, Lin P, Yu JG, Ye J, Xiao L, Tao Y, Jiang Z, Lin W, Liu M, Xu J, Hu W, Lu Y, Liu H, Li Y, Zheng Y, Yang H. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images. EBioMedicine. 2019 Oct;48:92-99. doi: 10.1016/j.ebiom.2019.08.075. Epub 2019 Oct 5.
- Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, Im S. Convolutional Neural Network Classifies Pathological Voice Change in Laryngeal Cancer with High Accuracy. J Clin Med. 2020 Oct 25;9(11):3415. doi: 10.3390/jcm9113415.
- Godino-Llorente JI, Gomez-Vilda P. Automatic detection of voice impairments by means of short-term cepstral parameters and neural network based detectors. IEEE Trans Biomed Eng. 2004 Feb;51(2):380-4. doi: 10.1109/TBME.2003.820386.
- Ren J, Jing X, Wang J, Ren X, Xu Y, Yang Q, Ma L, Sun Y, Xu W, Yang N, Zou J, Zheng Y, Chen M, Gan W, Xiang T, An J, Liu R, Lv C, Lin K, Zheng X, Lou F, Rao Y, Yang H, Liu K, Liu G, Lu T, Zheng X, Zhao Y. Automatic Recognition of Laryngoscopic Images Using a Deep-Learning Technique. Laryngoscope. 2020 Nov;130(11):E686-E693. doi: 10.1002/lary.28539. Epub 2020 Feb 18.
- Bainbridge KE, Roy N, Losonczy KG, Hoffman HJ, Cohen SM. Voice disorders and associated risk markers among young adults in the United States. Laryngoscope. 2017 Sep;127(9):2093-2099. doi: 10.1002/lary.26465. Epub 2016 Dec 23.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (OCZEKIWANY)
6 maja 2022
Zakończenie podstawowe (OCZEKIWANY)
30 grudnia 2025
Ukończenie studiów (OCZEKIWANY)
20 lutego 2027
Daty rejestracji na studia
Pierwszy przesłany
19 kwietnia 2022
Pierwszy przesłany, który spełnia kryteria kontroli jakości
22 kwietnia 2022
Pierwszy wysłany (RZECZYWISTY)
27 kwietnia 2022
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (RZECZYWISTY)
27 kwietnia 2022
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
22 kwietnia 2022
Ostatnia weryfikacja
1 marca 2022
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- SYSEC-KY-KS-2022-040
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIEZDECYDOWANY
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .