利用机器学习来诊断复杂的声病例
Ariel Roitman1, Yiftach Edelstain2, Chen Katzir2
1Carmel Medical Center, Department of Otolaryngology - Head and Neck Surgery, Haifa, Israel; The Ruth and Bruce Rappaport Faculty of Medicine, Technion - Israel Institute of Technology, Haifa, Israel.
American journal of otolaryngology
|December 14, 2024
概括
机器学习模型现在可以分析语音录音以检测声病理,改进诊断诸如喉 dystonia 和增强患者护理等条件.
科学领域:
- 计算语言学计算语言学
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
背景情况:
- 传统的声病理诊断依赖于喉科专家的专业知识和直接可视化.
- 需要补充,可访问的诊断方法.
研究的目的:
- 开发和评估用于语音分析的机器学习算法.
- 为了区分健康和的声音.
- 从语音录音中识别特定的喉疾病.
主要方法:
- 在HuBERT模型上利用转移学习与萨尔布鲁肯语音数据库.
- 采用了两阶段的机器学习方法:二元分类 (健康与) 和多类分类 (特定疾病).
- 分析了2103次会议的数据,包括各种病理和健康个体.
主要成果:
- 二元分类器在区分健康声音和病态声音方面取得了82%的准确性.
- 多类分类器在识别特定的喉疾病,特别是喉 dystonia,显示了超过93%的准确性.
- 喉 dystonia 仍然是一个诊断挑战,突出了人工智能辅助方法的潜力.
结论:
- 机器学习有效地将语音样本分类为不同的病理.
- 这种人工智能驱动的方法可以增强患者分拣和简化诊断过程.
- 这种方法有望改善护理,特别是对于复杂的疾病,如喉 dystonia.
关键词:
这是一个HUBERT模型.喉阻塞症 喉阻塞症 喉阻塞症机器学习 机器学习萨尔布鲁肯语音数据库spasmodic dysphonia 性失声症 性失声症 性失声症 性失声症声音障碍 诊断 语音障碍 诊断更多相关视频
07:22Minimally Invasive Murine Laryngoscopy for Close-Up Imaging of Laryngeal Motion During Breathing and Swallowing
Published on: December 1, 2023
454
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
