تشخیص سرطان حنجره با ابزار‌های هوش مصنوعی

 به گزارش گروه سرطان، سرطان نیوز،  تحلیل نمونه‌های صوتی در این مطالعه توانست تفاوت‌های آشکاری میان صدای مردان سالم، مبتلایان به ضایعات خوش‌خیم تار‌های صوتی و بیماران مبتلا به سرطان حنجره تشخیص دهد. این یافته‌ها می‌تواند راه را برای ساخت ابزار‌های هوش مصنوعی جهت شناسایی زودهنگام ناهنجاری‌های تار‌های صوتی هموار کند.

سرطان حنجره که به جعبه صدا آسیب می‌زند، یک معضل مهم بهداشتی است. برآورد می‌شود در سال ۲۰۲۱ حدود ۱.۱ میلیون نفر در جهان به آن مبتلا بوده‌اند که منجر به نزدیک به ۱۰۰ هزار مرگ شده است. سیگار کشیدن، مصرف بالای الکل و ابتلا به ویروس پاپیلومای انسانی از عوامل اصلی خطر هستند. نرخ بقا در پنج سال بسته به مرحله بیماری و محل تومور بین ۳۵ تا ۷۸ درصد متغیر است.

تشخیص این بیماری در حال حاضر به روش‌های تهاجمی مانند ویدئو اندوسکوپی از راه بینی و نمونه‌برداری متکی است که نیاز به دسترسی به متخصص دارد و ممکن است درمان را به تأخیر بیندازد. شناسایی ضایعات از طریق نمونه صوتی می‌تواند روشی غیرتهاجمی، سریع و مقرون‌به‌صرفه برای بیماران در معرض خطر فراهم کند.

محققان در این پژوهش، ۱۲ هزار و ۵۲۳ نمونه صوتی از ۳۰۶ شرکت‌کننده را تحلیل کردند که بخشی از آنها مبتلا به سرطان حنجره، ضایعات خوش‌خیم تار‌های صوتی، دیسفونی اسپاسمودیک یا فلج یک‌طرفه تار صوتی بودند.

بیشتر بخوانید

•  جایگاه CEA در سرطان پروستات مقاوم به کاستراسیون: از نشانگر زیستی تا پیامدهای بالینی

ویژگی‌های آکوستیکی بررسی‌شده شامل:

زیر و بمی (Pitch): میانگین فرکانس پایه صدا

جیتر (Jitter): تغییرات فرکانس در طول گفتار

شیمِر (Shimmer): تغییرات بلندی صدا

نسبت هارمونیک به نویز: نسبت مؤلفه‌های هارمونیک به نویز در گفتار

تفاوت‌های معناداری در نسبت هارمونیک به نویز و زیر و بمی میان مردان سالم، بیماران با ضایعات خوش‌خیم و بیماران سرطانی مشاهده شد. این تفاوت در زنان مشاهده نشد، هرچند محققان معتقدند که افزایش حجم نمونه زنان می‌تواند نتایج متفاوتی رقم بزند.

یافته‌ها نشان می‌دهد که پایش تغییرات نسبت هارمونیک به نویز می‌تواند در رصد پیشرفت ضایعات و شناسایی سرطان حنجره در مراحل اولیه در مردان مؤثر باشد. البته محققان تأکید دارند که پیش از به‌کارگیری این روش، نیاز به داده‌های بزرگ‌تر و تأیید بالینی وجود دارد.

دکتر فیلیپ جنکینز، پژوهشگر فوق‌دکتری انفورماتیک بالینی در دانشگاه علوم و بهداشت اورگان و نویسنده مطالعه گفت: «ما نشان دادیم که می‌توان با استفاده از نشانگر‌های زیستی صوتی، تفاوت بین صدای بیماران دارای ضایعات تار صوتی و افراد سالم را شناسایی کرد. برای ساخت یک ابزار هوش مصنوعی نیاز به مجموعه داده‌های بزرگ‌تر و برچسب‌گذاری‌شده توسط متخصصان داریم و باید سیستم را برای عملکرد برابر در زنان و مردان آزمایش کنیم.»

وی افزود: «در صورت موفقیت، این ابزار‌های هوش مصنوعی می‌توانند در سیستم‌های تریاژ مورد استفاده قرار گیرند و بیماران در معرض خطر سرطان حنجره را تنها با تحلیل صدای آنها شناسایی کنند.»

به گفته جنکینز، «ابزار‌های سلامت مبتنی بر صدا هم‌اکنون در حال آزمایش پایلوت هستند و بر اساس یافته‌های ما، انتظار می‌رود ابزار‌های مشابه برای تشخیص ضایعات تار صوتی طی چند سال آینده به مرحله آزمایش بالینی برسند.»