基于深度学习的分析,对吸收器喉 dystonia 中的球状攻击和偏移时间进行了分析

科学领域:

• 喉科和声音科学 喉科和声音科学
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 诱导性喉 dystonia (AdLD) 诊断是具有挑战性的,因为症状与其他语音障碍重叠,可能导致误诊和延迟治疗.
• 需要客观,定量措施来提高ADLD诊断的准确性和及时性.

研究的目的:

• 开发和验证使用高速视频内镜 (HSV) 在连接式语音中对球攻击时间 (GAT) 和球偏移时间 (GOT) 的自动测量.
• 评估这些自动化措施作为ADLD诊断的客观生物标志物的潜力.

主要方法:

• 高速视频内镜 (HSV) 数据是在标准化的语音任务中从健康的成年人和ADLD患者中收集的.
• 一个深度学习框架被设计为自动细分喉区域并检测声边缘,以精确量化GAT和GOT.
• 自动化GAT和GOT测量与手动分析和患者组之间的比较.

主要成果:

• 深度学习框架准确地细分了部区域并检测了声边缘,证明了与手动分析的强烈相关性.
• 在声音正常的受试者和ADLD患者之间观察到GAT值的显著差异.
• 与对照组相比,AdLD患者在GAT和GOT测量中表现出更大的变化.

结论:

• 开发的GAT和GOT测量的自动化方法是临床实践中一个有价值的工具.
• 这些定量生物标志物可以通过识别受损声功能来帮助对ADLD的差异诊断.
• 目标GAT和GOT测量有望提高ADLD的诊断准确性和治疗.