机器学习辅助吞评估:基于深度学习的质量改进工具,用于选中风后吞障碍
Rami Saab1, Arjun Balachandar1, Hamza Mahdi1
1Hurvitz Brain Sciences Program, Division of Neurology, Department of Medicine, Sunnybrook Health Sciences Centre, University of Toronto, Toronto, ON, Canada.
Frontiers in neuroscience
|December 22, 2023
概括
深度学习模型显示,使用语音生物标志物检测中风后食障碍很有前途. 这种自动查方法可以改善中风后吞困难的早期检测和患者结果.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 语言病理学 语音病理学
背景情况:
- 脑卒中后消化不良是一种常见的并发症,导致发病率和死亡率增加.
- 目前的床边查方法可能是主观的,可能会限制患者的访问.
- 语音变化被认为是缺食症的潜在指标,提供了一个非侵入性的生物标志物.
研究的目的:
- 开发和评估一个概念验证的深度学习模型,用于在中风后的患者中自动化食障碍查.
- 评估使用语音录音作为检测缺食症的生物标志物的可行性.
主要方法:
- 一个单一中心的研究涉及68名中风后患者 (40名培训,28名测试).
- 语音数据 (元音,单词,句子) 被收集并处理成Mel谱图像.
- 深度学习模型 (DenseNet,ConvNext) 在音频片段数据上进行了训练和测试,以进行食障碍分类.
主要成果:
- 剪贴水平分析显示灵敏度为71%和特异性为77% (AUC = 0.80).
- 参与者层面的分析获得了更高的准确性,具有89%的灵敏度和79%的特异性 (AUC = 0.91).
结论:
- 这项研究表明,使用深度学习对发声来检测中风后的消化障碍的可行性.
- 这些发现表明,通过客观的,基于语音的生物标志物来增强食障碍查的潜力.
