NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) ve kronik obstrüktif akciğer hastalığı (COPD) yaşam kalitesi ve sağlık sistemleri üzerinde önemli etkisi olan yaygın durumlardır. Her iki bozukluk da farklı fizyolojik mekanizmalar yoluyla ses üretimini etkiler, ancak her iki durumun da rutin klinik kullanım için yaygın olarak benimsenen nesnel bir biyobelirteç yoktur. Ses analizi, invazif olmayan bir dijital biyobelirteç adayı olarak ortaya çıkmıştır, ancak mevcut çalışmalar büyük ölçüde tek bir bozukluk veya dil içindeki ikili sınıflandırmaya odaklanmıştır. Bu çalışma, sürekli sesli "a" fonasyonuna uygulanan birleşik çok sınıflı makine öğreniminin (ML) dilsel olarak farklı kohortlar arasında PD, KOAH ve sağlıklı kontroller (HC) arasında ayrım yapıp yapamayacağını değerlendirmeyi amaçladı. Devam eden sesli kayıtlar, KOAH ve HC'li İsveççe konuşan bireylerden ve karşılaştırılabilir mobil kayıt koşulları altında toplanan PD ve HC'li İngilizce konuşan bireylerden analiz edildi. Akustik özellikler temel ses ölçüleri ve Mel Frekansı Cepstral Katsayıları içeriyordu. Destek vektör makinesi, rastgele orman, CatBoost ve hafif gradyan arttırıcı sınıflandırıcıları entegre eden yumuşak oy veren bir ML çerçevesi, hiperparametre optimizasyonu ile yuvalanmış çapraz doğrulama kullanılarak eğitildi. Veriler katılımcı düzeyinde bir geliştirme kohortu ve bağımsız bir test kohortu olarak bölümlere ayrıldı. Model performansı doğruluk, makro ortalama hassasiyet, hatırlama, F1 puanı, alıcı işletim karakteristik analizi ve karışıklık matrisleri kullanılarak değerlendirildi. Model yorumlanabilirliği Shapley katkı açıklamaları ve sesli uzay analizi kullanılarak değerlendirildi. Son yumuşak oylama sınıflandırıcısı, katılımcı ayrık bağımsız test setinde 0.842 genel doğruluk ve 0,839 makro ortalamalı F1 puanı ile sağlam çok sınıflı ayrımcılık elde etti. Sınıflandırma performansı, PD için gözlemlenen en yüksek performans, HC için ara performans ve KOAH için daha düşük performans ile gruplar arasında farklılık gösterdi. Yanlış sınıflandırmalar öncelikle HC ve KOAH arasında gerçekleşirken, PD ve KOAH arasındaki karışıklık minimum düzeydeydi. Özellik attribution analizi, sınıfa bağlı alaka kalıplarını ortaya çıkardı ve sesli uzay analizi ince ama tutarlı grup düzeyinde farklılıklar gösterdi. Bu bulgular, dilsel bağlamlar arasında nörolojik ve solunumla çalışan ses bozukluklarını ayırt etmek için sürekli sesli fonasyona uygulanan açıklanabilir yumuşak oy makinesi öğrenme çerçevesinin kullanılmasının uygulanabilirliğini göstermektedir. Çalışma, mobil kayıtları kullanarak çok sınıflı klinik ayrımcılık için umut verici bir dijital biyobelirteç yöntemi olarak sesi desteklemektedir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) and chronic obstructive pulmonary disease (COPD) are prevalent conditions with substantial impact on quality of life and health care systems. Both disorders affect voice production through different physiological mechanisms, yet neither condition has a widely adopted objective biomarker for routine clinical use. Voice analysis has emerged as a non-invasive digital biomarker candidate, but existing studies have largely focused on binary classification within a single disorder or language. This study aimed to evaluate whether an unified multiclass machine learning (ML) framework applied to sustained vowel "a" phonation can discriminate between PD, COPD, and healthy controls (HC) across linguistically distinct cohorts. Sustained vowel recordings were analyzed from Swedish speaking individuals with COPD and HC, and English-speaking individuals with PD and HC, collected under comparable mobile recording conditions. Acoustic features included baseline voice measures and Mel Frequency Cepstral Coefficients. A soft voting ML framework integrating support vector machine, random forest, CatBoost, and light gradient boosting classifiers was trained using nested cross validation with hyperparameter optimization. Data were partitioned at the participant level into a development cohort and an independent test cohort. Model performance was evaluated using accuracy, macro averaged precision, recall, F1 score, receiver operating characteristic analysis, and confusion matrices. Model interpretability was assessed using Shapley additive explanations and vowel space analysis. The final soft voting classifier achieved robust multiclass discrimination on the participant disjoint independent test set, with an overall accuracy of 0.842 and a macro averaged F1 score of 0.839. Classification performance differed across groups, with the highest performance observed for PD, intermediate performance for HC, and lower performance for COPD. Misclassifications occurred primarily between HC and COPD, while confusion between PD and COPD was minimal. Feature attribution analysis revealed class dependent relevance patterns, and vowel space analysis demonstrated subtle but consistent group level differences. These findings demonstrate the feasibility of using an explainable soft voting machine learning framework applied to sustained vowel phonation to distinguish between neurologically and respiratory driven voice impairments across linguistic contexts. The study supports voice as a promising digital biomarker modality for multiclass clinical discrimination using mobile recordings.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.