gms | German Medical Science

Mehrere Studien haben Zusammenhänge zwischen dem subglottalen Druck P_sub und Dysphonie festgestellt. Der P_sub ist in-vivo nur mit invasiven Methoden direkt oder einer sogenannten Rothenbergmaske messbar. Kenntnis des P_sub könnte bei der Diagnose helfen. Zur Schätzung können numerische Modelle verwendet werden, um in einem inversen Problem den P_sub zu schätzen. Häufig kommt dabei ein Zwei-Massen-Modell (2MM) zum Einsatz. Bei komplexeren Modellen – z.B. mit besseren Strömungslösern – ist der Rechenaufwand zur klinischen Anwendung zu groß. Wir präsentieren einen Deep Learning Ansatz, der den Rechenaufwand signifikant reduziert.

In zwei vorherigen Studien wurde zunächst in ex-vivo Experimenten der P_sub bei der Oszillation von Schweinestimmlippen gemessen und dann gezeigt, dass mit einem modifizierten 2MM der P_sub geschätzt werden kann. Aus beiden Studien wurden 288 Hochgeschwindigkeitsaufnahmen der Stimmlippenoszillation analysiert, bei denen der experimentelle P_sub und die bisher beste Schätzung des P_sub bekannt waren. Die Schätzung erfolgte anhand der lateralen Trajektorien der Stimmlippen. In dieser Studie wurde ein rekurrentes neuronales Netzwerk (RNN) mit synthetischen Trajektorien des 2MM trainiert, den P_sub aus Trajektorien zu schätzen. Zum Training wurden 40.000 synthetische Trajektorien generiert.

Der Fehler bei der Schätzung des P_sub mit dem RNN lag bei den synthetischen Daten im Schnitt bei 80.3 ± 2.7 Pascal (8.1%) und bei den experimentellen ex-vivo Daten bei 194 ± 7.4 Pascal (21.21%). Die Laufzeit des 2MM zur Generierung der synthetischen Daten betrug 6.2 s, das Training des RNN benötigte 569 s.

Die Genauigkeit bei der Schätzung des P_sub ist vergleichbar mit dem vorherigen Ansatz (21.21% vs. 17.65% relativer Fehler). Der vorherige Ansatz benötigte aber pro Aufnahme 150.000 Modellauswertungen und 5.8 s, der präsentierte Ansatz benötigt nur einmalig 40.000 Modellauswertungen und unter 1 ms zur Auswertung einer Aufnahme. Der Fehler bei der Schätzung des P_sub war im Schnitt nur 22 Pascal höher.

Das größte Hindernis zur Schätzung von Parametern wie dem P_sub mithilfe von numerischen Modellen ist der hohe Rechenaufwand der Modelle, die in klassischen Optimierungsansätzen vielfach ausgewertet werden müssen. Der präsentierte Deep Learning Ansatz erlaubt eine effizientere Optimierung, die den Einsatz von komplexeren Modellen und damit eine genauere Schätzung physikalischer Parameter wie des P_sub ermöglichen könnte.

Abbildung 1 [Abb. 1], Abbildung 2 [Abb. 2]

Diese Studie wurde finanziell unterstützt durch die Deutsche Forschungsgemeinschaft (DFG) – 391215328 mit Antragsnummer DO1247/10-1.