Мультимодальный анализ структурных нарушений голоса на основе речи и стробоскопического ларингоскопического видео
22 апреля 2022 г. обновлено: Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
Это исследование предназначено для сбора клинических данных, таких как стробоскопические изображения ларингоскопа и аудиоданные гласных пациентов со структурными нарушениями голоса и здоровых людей, а также для создания мультимодальной модели системы диагностики нарушений голоса с использованием алгоритмов глубокого обучения.
Множественная классификация заболеваний, вызывающих нарушения голоса, может быть применена к пациентам с нарушениями голоса, но не диагностированными в клинической практике, тем самым помогая клиницистам диагностировать заболевания и снижая количество ошибочных диагнозов и пропущенных диагнозов.
Кроме того, некоторые пациенты с нарушениями голоса могут управляться удаленно с помощью модели аудиодиагностики, и им могут быть даны лучшие рекомендации по последующему наблюдению и лечению.
Дистанционная голосовая терапия может смягчить сложившуюся ситуацию с нехваткой логопедов в отдаленных районах нашей страны и увеличить количество пациентов, нуждающихся в голосовой терапии.
возможность.
Дистанционная голосовая терапия более рентабельна, более гибка во времени и более рентабельна.
Обзор исследования
Статус
Еще не набирают
Условия
Подробное описание
- Обнаружение и классификация акустических поражений на основе глубокого обучения речи
- Обнаружение и классификация акустических поражений на основе глубокого изучения изображений
- Обнаружение и классификация акустических поражений на основе глубокого обучения на основе мультимодальности
Тип исследования
Наблюдательный
Регистрация (Ожидаемый)
1
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Контакты исследования
- Имя: YueXin Cai
- Номер телефона: 13825063663
- Электронная почта: caiyx25@mail.sysu.edu.cn
Критерии участия
Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.
Критерии приемлемости
Возраст, подходящий для обучения
От 20 лет до 80 лет (ВЗРОСЛЫЙ, OLDER_ADULT)
Принимает здоровых добровольцев
Да
Полы, имеющие право на обучение
Все
Метод выборки
Невероятностная выборка
Исследуемая популяция
В этом исследовании 490 пациентов с нарушениями голоса (включая рак гортани, предраковые поражения гортани и доброкачественные поражения гортани) и 50 здоровых людей были собраны из видео стробоскопической ларингоскопии и аудиозаписей гласных.
Пол, течение заболевания, ДМС и другие клинические данные.
Описание
Критерии включения:
Рак гортани, предраковые поражения гортани, доброкачественные поражения гортани с нарушением голоса, здоровые люди без заболеваний горла
Критерий исключения:
- История хирургии гортани
- Пациенты с нарушениями голоса, вызванными различными причинами, кроме рака гортани, предраковых поражений гортани и доброкачественных поражений гортани.
- Качество звука нечеткое, стробоскопический ларингоскоп нечетко отображает анатомическую область, связанную с голосовой щелью, она недоэкспонирована и заблокирована;
Учебный план
В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.
Как устроено исследование?
Детали дизайна
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Машинное глубокое обучение классифицирует голосовые расстройства
Временное ограничение: 6 мая 2022 г. - 30 декабря 2023 г.
|
Точность
|
6 мая 2022 г. - 30 декабря 2023 г.
|
|
Машинное глубокое обучение классифицирует голосовые расстройства с помощью мультимодальности
Временное ограничение: 1 января 2024 г. — 30 декабря 2024 г.
|
точность
|
1 января 2024 г. — 30 декабря 2024 г.
|
|
Машинное глубокое обучение классифицирует патологическое изменение голоса при раке гортани
Временное ограничение: 1 января 2024 г. — 30 декабря 2025 г.
|
точность
|
1 января 2024 г. — 30 декабря 2025 г.
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Машинное глубокое обучение классифицирует голосовые расстройства с помощью мультимодальности
Временное ограничение: 1 января 2024 г. — 30 декабря 2025 г.
|
отзывать
|
1 января 2024 г. — 30 декабря 2025 г.
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Соавторы
Следователи
- Учебный стул: YueXin Cai, Sun Yat-sen Memorial Hospital,Sun Yat-sen University
Публикации и полезные ссылки
Лицо, ответственное за внесение сведений об исследовании, добровольно предоставляет эти публикации. Это может быть что угодно, связанное с исследованием.
Общие публикации
- 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.
Даты записи исследования
Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.
Изучение основных дат
Начало исследования (ОЖИДАЕТСЯ)
6 мая 2022 г.
Первичное завершение (ОЖИДАЕТСЯ)
30 декабря 2025 г.
Завершение исследования (ОЖИДАЕТСЯ)
20 февраля 2027 г.
Даты регистрации исследования
Первый отправленный
19 апреля 2022 г.
Впервые представлено, что соответствует критериям контроля качества
22 апреля 2022 г.
Первый опубликованный (ДЕЙСТВИТЕЛЬНЫЙ)
27 апреля 2022 г.
Обновления учебных записей
Последнее опубликованное обновление (ДЕЙСТВИТЕЛЬНЫЙ)
27 апреля 2022 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
22 апреля 2022 г.
Последняя проверка
1 марта 2022 г.
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- SYSEC-KY-KS-2022-040
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
НЕ РЕШЕНО
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .