利用大型语言模型来自动检测白喉功能障碍在 palatal裂口患者
Myranda Uselton Shirk1, Catherine Dang1, Jaewoo Cho1
1Data Science Institute, Vanderbilt University, Nashville, TN, United States.
Frontiers in digital health
|April 14, 2025
概括
开源AI的Whisper模型准确地检测到超鼻性,这是一种与耳鼻缺陷 (VPI) 相关的语言障碍. 这种人工智能工具为诊断VPI语音问题提供了一个可扩展,高效的替代方案.
科学领域:
- 语言病理学 语音病理学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 超鼻性,是喉缺陷 (VPI) 的关键指标,显著影响言语,心理社会福祉和日常功能.
- 传统的VPI诊断需要专门的专业知识和设备,限制了资源有限的环境中的可访问性.
- 需要自动检测方法来克服当前的诊断挑战.
研究的目的:
- 调查OpenAI的Whisper模型对自动化超鼻性检测的有效性.
- 评估 Whisper 作为 VPI 的可扩展和高效的诊断工具的性能.
- 将Whisper的准确性与传统的机器学习分类器进行比较.
主要方法:
- 微声模型通过结合自定义分类头来对二进制分类进行了微调.
- 184个语音录音 (96个超鼻,88个非超鼻) 的数据集被用于模型训练和验证.
- 性能与支持矢量机 (SVM) 和随机森林 (RF) 分类器进行了基准测试.
主要成果:
- 基于Whisper的模型实现了97%的测试准确度和0.97F1得分用于超鼻检测.
- 威斯珀显著优于SVM (88.1%准确度) 和RF (85.7%准确度) 分类器.
- 该模型在各种记录条件下表现出强的性能,训练数据要求最小.
结论:
- 低语模型证明了自动超鼻性检测的有效性,提供了可靠的预测概率.
- 这种人工智能驱动的方法可以作为一个关键的选工具,优先考虑患者进行进一步的VPI评估.
- 实施Whisper可以减少诊断延迟,并优化VPI评估的医疗保健资源配置.
