gms | German Medical Science

Die Hochgeschwindigkeits-(HG-)Videolaryngoskopie erlaubt es, das Schwingungsverhalten der Stimmlippen (SL) in Echtzeit quantitativ zu erfassen. Die dabei anfallenden großen Datenmengen machen die Bewertung der HG-Videos jedoch sehr zeitaufwändig und erschweren den Einsatz im klinischen Alltag. Das Phonovibrogram (PVG) bietet eine kompakte und klinisch relevante Repräsentation des in den HG-Aufnahmen erfassten SL-Schwingungsverhaltens, indem es physiologisches sowie pathologisches Schwingungsverhalten durch charakteristische geometrische Repräsentationen kodiert [1], [2]. Basierend auf diesen charakteristischen PVG-Mustern und Verfahren der künstlichen Intelligenz (Deep Learning) wurde im Rahmen dieser Arbeit eine vollautomatische Klassifizierung verschiedener Stimmstörungen realisiert.

Der verwendete Datensatz umfasst 220 PVGs, die aus klinischen HG-Sequenzen von 220 Probanden erzeugt wurden und beinhaltet entsprechend der klinischen Diagnose die vier Klassen „gesund“ (N=100), „funktionelle Dysphonie“ (N=40), „Parese“ (N=40) und „Polyp“ (N=40). Zu jeder HG-Sequenz wurde ein PVG von drei vollständigen Schwingungszyklen erzeugt und anschließend normiert (64px * 64px * [0;1]). In Abbildung 1 [Abb. 1] ist in (a) die Zusammensetzung des verwendeten Datensatz, sowie in (b) schematisch Training und Evaluation der zur Klassifikation der PVGs verwendeten und auf dem LeNet-5 [3] basierenden Deep Convolutional-Neural-Network-Architektur (Deep CNN) gezeigt.

Im Rahmen dieser Arbeit wurde das CNN mittels einer 10-fachen Kreuzvalidierung trainiert und evaluiert. Das Training erfolgte dabei mit der ReLU als Aktivierungsfunktion für die Faltungsschichten sowie einem Softmaxlayer mit der Kreuzentropie als Zielfunktion zur Klassifikation der PVGs. In einem train-validation-split Vorexperiment mit 198 zufällig gewählten PVGs als Trainings- und 22 PVGs als Validierungsdaten hat sich ein Training über jeweils 100 Epochen als vielversprechend für stabile Resultate erwiesen. Dementsprechend wurde das CNN über jeweils 100 Epochen mit einer batch-size von 32 und einer Lernrate von 0.0005 trainiert. Die Klassifikationsleistung wurde anschließend anhand der Parameter Genauigkeit, Sensitivität und Spezifität evaluiert.

Es wurden zwei verschiedene Szenarien betrachtet: (a) Zunächst wurde ein CNN zur Klassifikation des in den PVGs abgebildeten Schwingungsverhaltens als „physiologisch“ oder „pathologisch“ trainiert (2-Klassen-Problem). (b) Anschließend wurde analog ein CNN zur Klassifikation der PVGs entsprechend der klinischen Diagnose (gesund, funktionell, Parese, Polyp) trainiert (4-Klassen-Problem).

In dieser Arbeit wird erstmalig eine vollautomatische Klassifizierung von PVGs mittels eines CNN vorgestellt. Abbildung 2 [Abb. 2] zeigt für beide betrachteten Fälle die Klassifikationsresultate als Konfusionsmatrix sowie tabellarisch die klassenindividuellen Resultate für die Sensitivität, die Spezifität und die Genauigkeit.

Mit einer Genauigkeit von 0.82 ± 0.07 (Median: 0.81) konnte das in den PVGs kodierte Schwingungsverhalten als physiologisch beziehungsweise pathologisch klassifiziert werden. Für dieses 2-Klassen-Problem betrug die Sensitivität 0.81 ± 0.12 (0.80) bei einer Spezifität von 0.82 ± 0.12 (0.81).

In einem zweiten Schritt wurde analog ein CNN zur Klassifikation der PVGs für den 4-Klassenfall trainiert. Hier ergab sich eine Genauigkeit von 0.85 ± 0.07 (0.84), mit einer Sensitivität über alle Klassen von 0.71 ± 0.19 (0.76) bei einer Spezifität von 0.91 ± 0.07 (0.92). Die in Abbildung 2 (b) [Abb. 2] dargestellte Konfusionsmatrix zeigt, dass Fehlklassifikationen vor allem zwischen den Klassen „gesund“/„funktionell“ sowie „funktionell“/„Parese“ auftreten.

In dieser Arbeit wird eine Klassifizierung des SL-Schwingungsverhaltens anhand von Phonovibrogrammen mittels eines CNN präsentiert. Basierend auf der PVG-Repräsentation differenziert der vorgestellte Ansatz zuverlässig verschiedene Arten von Stimmstörungen, ohne die Notwendigkeit von Benutzerinteraktion. Bei der Klassifikation der PVGs entsprechend der vier betrachteten Diagnosen konnte der hier vorgestellte Deep Learning basierte Ansatz mit einer Genauigkeit von 0.85 ± 0.07 den bisherigen Ansatz von Unger et al. übertreffen, welcher mittels einer Support-Vector-Maschine für das 4-Klassen-Problem eine Genauigkeit von 0.69 ± 0.02 erzielte [4]. Beide Arbeiten beruhen auf dem identischen Datensatz und sind damit direkt miteinander vergleichbar.

Die vollautomatische Klassifikation der PVGs mittels eines CNN hat vielversprechende Resultate gezeigt. Eine weitere Steigerung der Leistungsfähigkeit des Verfahrens erfordert zukünftig eine Vergrößerung der Menge an Trainingsdaten, um auch komplexere und damit noch leistungsfähigere Netzstrukturen realisieren zu können.

Der Beitrag – Text und Abbildungen – wurde gegenüber der Druckpublikation (Phoniatrisch-pädaudiologische Aspekte 2022; Band 29) aktualisiert.