一种多阶段的转移学习策略,用于诊断一类罕见的喉运动障碍
Yu Yao1, Maria Powell2, Jules White3
1The College of Information Science and Engineering, Northeastern University, Wenhua Road 3-11, Shenyang, 110819, Liaoning, PR China; The Department of Electrical Engineering and Computer Science, Vanderbilt University, 2301 Vanderbilt Place, Nashville, 37235, TN, USA.
Computers in biology and medicine
|October 6, 2023
概括
深度学习有助于诊断罕见的喉运动障碍 (LMD),如基本声震 (ETV) 和性听障 (ABSD / ADSD). 一种新的转移学习策略提高了对有限数据的诊断准确性,特别是对于ETV.
科学领域:
- 医疗成像和信号处理.
- 医疗保健中的人工智能
- 语音病理学和声学研究
背景情况:
- 由于有限的数据集,诊断罕见的喉运动障碍 (LMDs),包括基本声震 (ETV) 和性听障 (ABSD,ADSD) 是具有挑战性的.
- 调查持续声调的实用性,以区分这些情况与健康的声音至关重要.
研究的目的:
- 开发和评估一个转移学习策略,以诊断有限的数据LMDs.
- 评估持续声调对ETV,ABSD和ADSD诊断准确性的影响.
主要方法:
- 采用多阶段的转移学习方法,在健康的语音数据库上预先训练一个卷积自编码器.
- 该模型结合了转移的编码器比例,并进一步精细化了病态持续发音数据.
- 来自范德比尔特大学医学中心的临床医生标记的LMD数据用于分析.
主要成果:
- 拟议的策略在同时分类正常和所有三种LMD亚型时实现了65.3%的准确性.
- 在区分特定条件时获得了更高的精度:正常,ABSD和ETV的85.3%,正常,ADSD和ETV的77.7%.
- 语音基本震 (ETV) 诊断显示,对持续的语音分析特别敏感.
结论:
- 多阶段转移学习方法有效地提高了LMD诊断,即使数据有限.
- 持续的音调分析是提高诊断特定喉运动障碍的准确性的一个有价值的组成部分.
- 这种方法在诊断罕见的语音障碍方面显示出临床应用的前景.
