論文の概要: Assessing clinical utility of Machine Learning and Artificial
Intelligence approaches to analyze speech recordings in Multiple Sclerosis: A
Pilot Study
- arxiv url: http://arxiv.org/abs/2109.09844v1
- Date: Mon, 20 Sep 2021 21:02:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:12:25.222358
- Title: Assessing clinical utility of Machine Learning and Artificial
Intelligence approaches to analyze speech recordings in Multiple Sclerosis: A
Pilot Study
- Title(参考訳): 多発性硬化症における音声記録分析における機械学習と人工知能の臨床的有用性の検討
- Authors: Emil Svoboda, Tom\'a\v{s} Bo\v{r}il, Jan Rusz, Tereza Tykalov\'a, Dana
Hor\'akov\'a, Charles R.G. Guttman, Krastan B. Blagoev, Hiroto Hatabu, Vlad
I. Valtchinov
- Abstract要約: 本研究の目的は, 音声記録を用いた多発性硬化症の診断, バイオマーカー抽出, 進展モニタリングを支援するための機械学習と深層学習/AIアプローチの臨床的有用性を検討することである。
ランダムフォレストモデルは、バリデーションデータセットの精度0.82、トレーニングデータセットの5k倍サイクルの面積0.76の精度を達成した。
- 参考スコア(独自算出の注目度): 1.6582693134062305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: An early diagnosis together with an accurate disease progression
monitoring of multiple sclerosis is an important component of successful
disease management. Prior studies have established that multiple sclerosis is
correlated with speech discrepancies. Early research using objective acoustic
measurements has discovered measurable dysarthria.
Objective: To determine the potential clinical utility of machine learning
and deep learning/AI approaches for the aiding of diagnosis, biomarker
extraction and progression monitoring of multiple sclerosis using speech
recordings.
Methods: A corpus of 65 MS-positive and 66 healthy individuals reading the
same text aloud was used for targeted acoustic feature extraction utilizing
automatic phoneme segmentation. A series of binary classification models was
trained, tuned, and evaluated regarding their Accuracy and area-under-curve.
Results: The Random Forest model performed best, achieving an Accuracy of
0.82 on the validation dataset and an area-under-curve of 0.76 across 5 k-fold
cycles on the training dataset. 5 out of 7 acoustic features were statistically
significant.
Conclusion: Machine learning and artificial intelligence in automatic
analyses of voice recordings for aiding MS diagnosis and progression tracking
seems promising. Further clinical validation of these methods and their mapping
onto multiple sclerosis progression is needed, as well as a validating utility
for English-speaking populations.
- Abstract(参考訳): 背景: 早期診断と、多発性硬化症の正確な疾患進行モニタリングは、疾患管理を成功させる上で重要な要素である。
先行研究により、多発性硬化症は発話の不一致と相関していることが判明した。
客観的音響測定を用いた初期の研究で計測可能な変形が発見された。
目的: 音声記録を用いた多発性硬化症の診断・バイオマーカー抽出・進行モニタリングにおける機械学習と深層学習/AIアプローチの有用性を明らかにする。
方法: 自動音素セグメンテーションを用いたターゲット音響特徴抽出には, 65名のMS陽性者, 66名の健常者を用いたコーパスを用いた。
一連のバイナリ分類モデルをトレーニングし,調整し,その精度と面積について評価した。
結果: ランダムフォレストモデルは, 検証データセット上で 0.82 の精度と, 訓練データセット上で 5 k 倍のサイクルで 0.76 の面積を達成できた。
5の音響特性が統計的に有意であった。
結論:ms診断と進行追跡を支援する音声記録の自動分析における機械学習と人工知能は有望である。
これらの方法のさらなる臨床的検証と多発性硬化症進行へのマッピング、および英語話者に対する有効性が必要である。
関連論文リスト
- Identification of Cognitive Decline from Spoken Language through Feature
Selection and the Bag of Acoustic Words Model [0.0]
記憶障害の症状の早期発見は、集団の健康確保に重要な役割を担っている。
臨床環境における標準化された音声テストの欠如は、自然音声言語を解析するための自動機械学習技術の開発にますます重点を置いている。
この研究は特徴選択に関するアプローチを示し、ジュネーブの最小音響パラメータセットと相対音声停止から診断に必要な重要な特徴を自動的に選択することを可能にする。
論文 参考訳(メタデータ) (2024-02-02T17:06:03Z) - A Few-Shot Approach to Dysarthric Speech Intelligibility Level
Classification Using Transformers [0.0]
発声障害(Dysarthria)は、言葉の発音が難しいことによるコミュニケーションを妨げる言語障害である。
文献の多くは、変形性音声に対するASRシステムの改善に焦点を当てている。
この研究は、変形の有無を正確に分類できるモデルを開発することを目的としている。
論文 参考訳(メタデータ) (2023-09-17T17:23:41Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Automatically measuring speech fluency in people with aphasia: first
achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文 参考訳(メタデータ) (2023-08-09T07:51:40Z) - FineEHR: Refine Clinical Note Representations to Improve Mortality
Prediction [3.9026461169566673]
大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。
臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。
本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
論文 参考訳(メタデータ) (2023-04-24T02:42:52Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Exploring traditional machine learning for identification of
pathological auscultations [0.39577682622066246]
各種機械学習シナリオにおいて,45例のデジタル6チャンネル聴取を行った。
目的は,正常な肺と異常な肺の音を区別することであった。
監視されていないモデルよりも一貫した優位性を示した。
論文 参考訳(メタデータ) (2022-09-01T18:03:21Z) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳(メタデータ) (2022-06-28T05:09:01Z) - Continuous Speech for Improved Learning Pathological Voice Disorders [12.867900671251395]
本研究では,単一母音の代わりに連続マンダリン音声を用いて4つの共通音声障害を分類する手法を提案する。
提案手法では, 音響信号をメル周波数ケプストラム係数に変換し, 双方向長周期メモリネットワーク(BiLSTM)を採用して, 逐次的特徴をモデル化する。
論文 参考訳(メタデータ) (2022-02-22T09:58:31Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。