Work

Automated Disease Detection by Machine Learning and Bio-Sound Analysis

Year: 2022
Type: dissertation
Abstract: Introducció: En aquesta recerca hem investigat diferents mètodes d’aprenentatge automàtic basats en l’anàlisi de bio-sons per a la identificació automàtica de diferents malalties. Concretament, vam realitzar tres estudis per investigar la identificació automàtica de l’afectació bulbar en pacients amb esclerosi lateral amiotròfia (ELA) mitjançant anàlisis de veu. Addicionalment, es va realitzar un estudi per detectar casos positius de COVID-19 mitjançant la identificació automàtica de tos COVID-19. El subcomitè bulbar del Northeast Amyotrophic Lateral Sclerosis Consortium (NEALS) va publicar una declaració recent sobre la necessitat d’enfocaments basats en paràmetres objectius per diagnosticar l’afectació bulbar en pacients amb ELA. L’afectació bulbar és un terme que s’utilitza en l’ELA que fa referència al deteriorament de les neurones motores a la zona corticobulbar del tronc cerebral que provoca una disfunció de la parla i de la deglució. Un dels primers símptomes d’afectació bulbar és el deteriorament de la veu, caracteritzat per una articulació greument defectuosa, parla laboriosa i extremadament lenta, hipernasalitat marcada i aspror severa. L’afectació bulbar requereix intervencions ben coordinades i ben temporitzades. Per tant, la detecció precoç és crucial per millorar la qualitat de vida i allargar l’esperança de vida dels pacients amb ELA. Recentment, els esforços de recerca s’han centrat en l’anàlisi de la veu per captar aquesta disfunció. De manera anàloga, la fàcil detecció de la COVID-19 és un repte. Les proves biològiques no són prou precises. L’èxit en la lluita contra nous brots depèn no només de l’eficiència de les proves utilitzades, sinó també del cost, del temps transcorregut i del nombre de proves que es poden fer massivament. La nostra proposta dona una solució a aquest repte. Mètodes: S’han desenvolupat tres estudis per a la detecció automatitzada de l’afectació bulbar en pacients amb ELA mitjançant models d’aprenentatge automàtic i l’anàlisi de bio-sons. El primer estudi va consistir en desenvolupar una metodologia per diagnosticar eficaçment l’afectació bulbar a través dels paràmetres acústics de les vocals pronunciades en castellà. El mètode es va centrar en l’extracció de característiques del subsistema fonatori: fluctuació, brillantor, relació harmònica-soroll i to, a partir de la pronunciació de les cinc vocals espanyoles. A continuació, vam utilitzar diversos algorismes de classificació supervisats, precedits per l’anàlisi de components principals de les característiques obtingudes. En el segon estudi, vam dissenyar una nova metodologia per a la detecció automàtica de l’afectació bulbar basada en característiques del subsistema fonatori i de temps-freqüència. La metodologia es va centrar en proporcionar un conjunt de 50 característiques per detectar aquesta deficiència en homes i dones a partir de la pronunciació de les cinc vocals espanyoles. A continuació, es va utilitzar l’anàlisi multivariant de la variància per seleccionar les característiques estadísticament significatives i es van ajustar els models de classificacions supervisades m’és habituals en el diagnòstic clínic per analitzar el seu rendiment. El tercer estudi va consistir en proporcionar una nova metodologia per detectar automàticament aquesta disfunció en les primeres etapes de la malaltia. La metodologia es va centrar en la creació d’una empremta digital de la veu basada en un patró generat a partir dels components quasi periòdics d’una porció constant de cadascuna de les cinc vocals espanyoles i del càlcul dels cinc components principals i independents d’aquest patró. Després es van obtenir un conjunt de característiques estadísticament significatives i es van implementar els models de classificació supervisats i semi-supervisats més comuns. A més, es va realitzar un quart i darrer estudi per dissenyar una metodologia rapida i eficient de lliure disposició per a la detecció automàtica de la COVID-19 en fitxers d’àudio en brut. La metodologia es va basar en l’extracció automàtica de les característiques temps-freqüència de la tos i de la selecció d’aquelles més significatives per diagnosticar la COVID-19 mitjançant algoritmes d’aprenentatge automàtic supervisat. Resultats: En el primer estudi, les support vector machines van tenir un rendiment millor (Precisió 95,8 %) que els models analitzats en la literatura. També mostrem com el model pot millorar el diagnòstic humà, que sovint pot cometre errors en el diagnòstic de l’afectació bulbar. En el segon estudi, vam obtenir un conjunt de característiques estadísticament significatives per a homes i dones per captar aquesta disfunció. La precisió obtinguda (98,01 % amb random forest per a les dones i 96,10 % amb random forest per als homes), va superar els resultats dels models del nostre primer estudi i la dels models trobats, fins ara, a la literatura. En el tercer estudi, el model random forest va obtenir la millor Precisió (93,5%). A més, comparant directament pacients amb ELA amb i sense aquesta disfunció, les support vector machines van obtenir un 91, 0% de precisió i un 100, 0% de Especificitat. El nostre model va proporcionar una anotació alternativa de subjectes bulbars i no bulbars mitjançant algoritmes d’aprenentatge automàtic semi-supervisat que van millorar encara més el rendiment de la nostra proposta. En el quart estudi, el model random forest va obtenir un millor rendiment en la detecció de la tos de la COVID-19 que la resta de models analitzats. Es va obtenir una Precisió propera al 90%. Conclusions: Els resultats obtinguts són molt encoratjadors i demostren l’eficiència i l’aplicabilitat de models d’aprenentatge automàtic i de l’anàlisi de bio-sons per a la detecció automatitzada de determinades malalties. Pot ser una eina adequada per als equips clínics multidisciplinaris per ajudar en el diagnòstic de l’ELA, en particular per millorar el diagnòstic d’afectació bulbar. També pot ser útil per ajudar a donar una resposta ràpida enfront d’altres brots de la COVID-19 o d’altres pandèmies que puguin sorgir en el futur. El primer estudi mostra com el model pot millorar el diagnòstic humà, que sovint pot cometre errors en el diagnòstic de l’afectació bulbar. Afegint característiques de temps-freqüència a les característiques més clàssiques obtingudes del subsistema fonador augmenten la capacitat de predicció dels models d’aprenentatge automàtic per detectar l’afectació bulbar. Estudiar homes i dones per separat ha proporcionat una millora addicional. Els resultats obtinguts per millorar l’anotació de pacients amb ELA en els quals encara no s’havia detectat afectació bulbar mitjançant l’ús dels enfocaments subjectius actuals són molt encoratjadors i demostren l’eficiència i l’aplicabilitat de la metodologia presentada. Pot ser una eina adequada per al cribratge de l’afectació bulbar en les primeres etapes de la malaltia. Finalment, el quart estudi demostra la viabilitat del diagnòstic automàtic de COVID-19 a partir de la tos i la seva aplicabilitat a la detecció de nous brots.
Language: Catalan
Open Access status: green
OpenAlex ID: W6998877545
Cites: 99
Cited by:
Related to: 10