5 دقیقه
پیش زمینه: چرا صدای فرد برای سرطان حنجره اهمیت دارد
سرطان حنجره که به آن سرطان جعبه‌صوتی نیز گفته میشود، هر ساله صدها هزار نفر را در سراسر جهان تحت تأثیر قرار می‌دهد. فقط در سال ۲۰۲۱، حدود ۱.۱ میلیون مورد ابتلا به سرطان حنجره و نواحی مجاور آن ثبت گشت که از این میان، نزدیک به ۱۰۰ هزار نفر جان خود را از دست دادند. روش‌های تشخیصی متداول مانند آندوسکوپی بینی/حنجره به همراه نمونه‌برداری بافتی، معمولا دقیق بوده، اما ماهیتی تهاجمی دارند و نیازمند حضور متخصصین ماهر و دسترسی به تجهیزات پیشرفته هستند.
طراحی مطالعه و روش‌ها
گروهی از محققان دانشگاه علوم بهداشت اورگان و دانشگاه ایالتی پورتلند، طی پژوهشی ۱۲,۵۲۳ فایل صدای ضبط‌شده از ۳۰۶ داوطلب آمریکای شمالی را بررسی کردند تا ببینند آیا ضایعات تارهای صوتی—اعم از خوشخیم یا سرطان—در امواج صوتی ردپایی قابل اندازه‌گیری برجای می‌گذارند یا خیر. پژوهشگران با بهره‌گیری از مدلهای یادگیری ماشینی و استخراج ویژگیهای صوتی، به جستجوی الگوهایی پرداختند که به کمک آنها بتوان توده‌های سرطانی را از رشدهای خوشخیم یا دیگر اختلالات صوتی متمایز ساخت.
یافته‌های کلیدی: نسبت هارمونیک به نویز به عنوان نشانگر
نتایج این تحقیق وجود اختلافات آکوستیکی مشخص در صدای مردان را نشان داد. «نسبت هارمونیک به نویز» (HNR)—معیاری که تعادل بین اجزاء منظم صدای صوتی و نویز نامنظم را کمّی می‌کند—از بیشترین اهمیت برخوردار بود. مدل‌هایی که برپایه HNR و ویژگیهای مرتبط آموزش داده شدند، توانستند مردان مبتلا به ضایعات سرطان تارهای صوتی را با دقتی فراتر از توان تشخیص گوش انسان، از مردان دارای ضایعات خوشخیم یا دیگر بیماری‌های صوتی متمایز کنند.
«برای تبدیل این یافته‌ها به ابزاری مبتنی بر هوش مصنوعی که بتواند وجود ضایعه تار صوتی را بشناسد، به مجموعه‌ای گستردهتر از فایل‌های صوتی برچسب‌گذاری‌شده توسط کارشناسان نیاز داریم؛ سپس باید عملکرد سامانه را برای مردان و زنان به طور یکسان آزمایش کنیم.»، دکتر فیلیپ جنکینز، متخصص انفورماتیک پزشکی در دانشگاه علوم بهداشت اورگان می‌گوید.
محدودیت‌ها: تفاوت‌های جنسیتی و حجم داده
پژوهش جامع حاضر در میان زنان شرکت‌کننده، به نشانگر صوتی آماری معناداری دست نیافت. این امر الزاما به معنای نبود ویژگیهای قابل‌شناسایی در صدای زنان نیست، بلکه بیانگر آن است که برای دستیابی به روشی همگانی جهت غربالگری، افزایش حجم داده و تنوع بیشتر نمونه‌ها و نیز تنظیم دقیقتر مدلهای یادگیری ماشین ضروری خواهد بود.
تکنولوژی‌های مرتبط و افق آینده
امروزه فناوری‌های مبتنی بر پردازش صدا—که از تحلیل سیگنال دیجیتال و یادگیری ماشین بهره می‌برند—در غربالگری بیماری‌هایی چون کووید-۱۹ و پایش اختلالات عصبی نیز به کار می‌روند. ابزارهای تشخیصی صوتی معتبر می‌توانند امکان غربالگری سریعتر بیماران، ارجاع افراد پرخطر به متخصصان گوش، حلق و بینی، و پیاده‌سازی برنامه‌های غربالگری جمعی را در اختیار پزشکان غیرمتخصص و سامانههای پزشکی از راه دور قرار دهند.
«ابزارهای سلامت مبتنی بر صوت همین حالا در حال آزمایش هستند. با توجه به یافته‌های ما، در صورت گردآوری دادههای بیشتر و اعتبارسنجی بالینی، انتظار می‌رود طی یکی دو سال آینده، ابزارهای مشابه برای شناسایی ضایعات تارهای صوتی وارد مرحله آزمایشی شوند.» جنکینز اضافه می‌کند.
ملاحظات بالینی و اخلاقی
پیش از عملیاتی‌شدن این ابزارها، لازم است اعتبارسنجی جامع برای گروه‌های سنی و جنسی گوناگون، زبانها و شرایط مختلف ضبط صدا انجام گیرد تا از بروز سوگیری جلوگیری شود. اخذ مجوزهای قانونی، تضمین محرمانگی دادههای صوتی و طراحی مسیرهای ارجاع شفاف برای موارد مثبت، عوامل کلیدی هستند تا نشانگرهای آکوستیک به ابزاری مطمئن و عادلانه برای سلامت عمومی بدل شوند.
جمع‌بندی
تحلیل صدا مبتنی بر یادگیری ماشین، نشانگرهای صوتی دقیقی—به ویژه نسبت هارمونیک به نویز—را آشکار ساخته که میتواند در مردان مبتلا به ضایعات سرطانی تارهای صوتی تمایز ایجاد کند. هرچند یافته‌ها مقدماتی است و ویژگیهای اختصاصی برای زنان فعلا شناسایی نشده، اما این پژوهش راهی نو به سوی غربالگری غیرتهاجمی و فراگیر برای سرطان حنجره می‌گشاید. با گسترش پایگاه دادههای برچسب‌گذاری‌شده، اعتبارسنجی بالینی و توجه به عدالت و محرمانگی، ابزارهای غربالگری صوتی می‌توانند روند تشخیص را تسریع و پیامدهای درمانی بیماران مبتلا به بیماری‌های جعبه صوتی را بهبود دهند.
منبع: frontiersin
.avif)
نظرات