gms | German Medical Science

In der klinischen Praxis stellt die auditive und perzeptive Analyse eine zentrale Säule der multimodalen Stimmdiagnostik dar. Diese ist jedoch personenabhängig (Untersuchende und Untersuchte) und dadurch auch eine subjektive Beurteilung mit inhärenten Verzerrungen [1], [2]. Diese Studie untersucht, inwieweit künstliche Intelligenz (KI) mittels maschinellen Lernens in der klinischen Diagnostik bei der Zuordnung gesunder und pathologischer Stimmschallsignale unterstützen kann und beschreibt den Prozess der Bewertung eines pathologischen Stimmschallsignals durch einen auf künstlicher Intelligenz beruhenden Algorithmus. Transformer-basierte neuronale Netze [3] haben sich hier als State-of-the-Art in der Zeitreihenanalyse bewiesen und werden in zum vorliegenden Vorhaben verwandten Aufgaben wie der Sprach- und Sprechererkennung erfolgreich eingesetzt [4]. Dabei war die grundlegende Idee, dass das menschliche Gehirn der Stimme nicht bewusst gesonderte Parameter zuordnet, sondern über Erfahrungslernen erlernt, gesunde von kranken Stimmschallsignalen zu unterscheiden. Ziel war es, dieses Erfahrungslernen durch automatische Mustererkennung im Stimmschallsignal auf einen Algorithmus zu übertragen und Messgrößen zur Unterscheidung und Stratifizierung von gesunden und pathologischen Stimmschallsignalen zu gewinnen.

Als Untersuchungsmaterial dienten Stimmschallsignale der Sprechstimme mit mehrsilbigen Zahlwörtern in verschiedenen Steigerungsstufen von 2.000 Personen (ab 18. Lebensjahr, normalverteilte Bevölkerungskohorte) aus der LIFE-Studie und 216 Patient:innen (19–101 Jahre, Median 61; 108:108 m:w) mit Dysphonien verschiedener Genesen (u.a. chronische Laryngitis, Stimmlippenpolyp, Stimmlippenparese, Stimmlippenzyste, Sulcus vocalis, spasmodische Dysphonie, Larynxpapillomatose, Larynxkarzinom, Reinke-Ödem). Alle Zahlwörter wurden Mithilfe von wav2vec2.0 [5] aus den Aufnahmen extrahiert und in Mel-Frequenz-Cepstrum-Koeffizienten umgewandelt. Anschließend war es Aufgabe des Algorithmus, zwischen gesunden und pathologischen Stimmschallsignalen zu unterscheiden. Es wurden zwei unabhängige Methoden untersucht. In Methode 1 rekonstruierte ein unüberwachter Convolutional Autoencoder gesunde Stimmschallaufnahmen über einen Informationsengpass. Durch Latentraum-Analyse und Rekonstruktionsfehler konnten so Anomalien identifiziert werden. Um die Abstände zwischen Datenpunkten im Latentraum zu bewahren, wurden distanzerhaltende Methoden eingesetzt [6], [7], welche ein robustes Abstandsmaß vom erlernten Normbereich ermöglichen. In Methode 2 lernte ein überwacht trainiertes Morse-Netz [8] im Kreuzvalidierungsverfahren eine Transformation der Stimmschallaufnahmen auf ein vorher definiertes Intervall und so die Unterscheidung verschiedener Krankheitsbilder. Ziel war es hier, gesunde Aufnahmen einer Grenze zuzuordnen, Zufallsrauschen der gegenüberliegenden Grenze und kranke Aufnahmen in erlernbarer Reihenfolge dazwischen abzubilden. Mittels Bestimmung der AUROC wurde die Diskriminierungsfähigkeit bestimmt und gezeigt, wie gut das Modell zwischen positiven und negativen Fällen unterscheiden konnte.

Unsere Konzeptstudie lieferte vielversprechende Ergebnisse: Beide Verfahren unterschieden zuverlässig zwischen gesunden und kranken Stimmen anhand von Zahlwörtern. Methode 1 erreichte eine AUROC von 0,98 und Methode 2 eine AUROC von 0,99. Damit wurde eine sehr hohe Diskriminierungsfähigkeit der KI gezeigt. Die Ordnung verschiedener Krankheitsbilder auf der Messskala von Methode 2 korrelierte stark mit der vorher trainierten Diagnose.

Abbildung 1 [Abb. 1]

Die Validierung mit gesunden Aufnahmen unter unterschiedlichen Bedingungen (Mikrofone, Umgebungen) deutet darauf hin, dass die Modelle tatsächlich menschliche Stimmschallsignale und nicht Mikrofon- oder Hintergrundcharakteristika erlernten.

Bisherige Studien konnten mittels KI den Schweregrad einer bekannten Dysphonie richtig einschätzen [9]. Anhand unserer Daten konnten wir zeigen, dass es mit den o.g. Modellen gelingen kann, unabhängig von Alter und Geschlecht sicher zwischen gesunden und pathologischen Stimmschallsignalen zu unterscheiden und vorher trainierte, unterschiedliche Ursachen der Dysphonie zu gruppieren. Die Validierung mit gesunden Aufnahmen unter unterschiedlichen Bedingungen (Mikrofone, Umgebungen) deutet darauf hin, dass die Modelle tatsächlich menschliche Stimmschallsignale und nicht Mikrofon- oder Hintergrundcharakteristika erlernten. Weitere Forschung wird sich auf die präzise Kalibrierung der Defektheitsmaße und den Ausschluss nicht krankheitsbedingter Einflussfaktoren konzentrieren.

Dieser innovative Ansatz erlaubt es uns, ein Scoring-System für Stimmschallsignale zu entwickeln, das automatisiert, objektiv und umfassend ist. Damit bietet er neue Perspektiven in der Analyse und Bewertung von Stimmdaten während der Therapie und in der Nachsorge. Insbesondere die intraindividuelle Vergleichbarkeit bei einer Person im Verlauf einer Therapie ist hierbei von Interesse. Anwendungsbeispiele bestehen im Monitoring von Therapieverläufen, um den Patient:innen z.B. App-gesteuert Biofeedback zu geben und somit Anreize für eine rasche Rehabilitation zu schaffen.