تشخیص زودهنگام سرطان حنجره با صدای بیمار و هوش مصنوعی

به گزارش خبرنگار آنا به نقل از هلث دی نیوز؛ پژوهش تازه‌ای نشان می‌دهد که شاید به‌زودی بتوان با استفاده از صدای خود فرد، ابتلا به سرطان گلو را تشخیص داد.

بر اساس این مطالعه، مردانی که به سرطان حنجره (جعبه صدا) مبتلا هستند، تفاوت‌های مشخصی در صدای خود دارند که می‌تواند با هوش مصنوعی آموزش‌دیده شناسایی شود. این تفاوت‌ها به دلیل وجود ضایعات احتمالی سرطانی روی چین‌های صوتی – دو نوار بافت عضلانی در حنجره که صدا تولید می‌کنند و به تارهای صوتی نیز معروف‌اند، ایجاد می‌شود.

فیلیپ جنکینز، پژوهشگر فوق‌دکترای انفورماتیک بالینی در دانشگاه علوم و بهداشت اورگان در پورتلند و نویسنده اصلی این مطالعه، در بیانیه‌ای خبری گفت: «ما می‌توانیم از شاخص‌های زیستی صوتی برای تمایز صدای بیماران دارای ضایعات تارهای صوتی از افرادی که چنین ضایعاتی ندارند استفاده کنیم.»

تشخیص زودهنگام سرطان حنجره می‌تواند مسئله مرگ و زندگی باشد. بر اساس یادداشت‌های پیش‌زمینه پژوهشگران، در سال ۲۰۲۱ حدود ۱.۱ میلیون مورد ابتلا به سرطان حنجره در سراسر جهان گزارش شد و حدود ۱۰۰ هزار نفر بر اثر آن جان خود را از دست دادند. عوامل خطر شامل سیگار کشیدن، نوشیدن الکل و عفونت HPV هستند.

به گفته محققان، اگر سرطان گلو در مراحل اولیه تشخیص داده شود، می‌تواند تا ۷۸ درصد به بقای پنج‌ساله بیماران کمک کند، اما در صورت تشخیص دیرهنگام این احتمال می‌تواند تا ۳۵ درصد کاهش یابد.

برای انجام این مطالعه، محققان بیش از ۱۲ هزار و ۵۰۰ نمونه صدای ۳۰۶ نفر از سراسر آمریکای شمالی را تحلیل کردند. این نمونه‌ها شامل تعدادی از بیماران مبتلا به سرطان حنجره، ضایعات خوش‌خیم تارهای صوتی یا سایر اختلالات صوتی بودند.

نتایج نشان داد که صدای مردان مبتلا به سرطان حنجره تفاوت‌های قابل توجهی در «نسبت هارمونیک به نویز» دارد – معیاری که میزان نویز در گفتار فرد را می‌سنجد. همچنین تفاوت‌هایی در زیروبم (pitch) صدای این مردان مشاهده شد.

تیم پژوهش نتیجه گرفت که نسبت هارمونیک به نویز به‌ویژه می‌تواند برای پیگیری ضایعات تارهای صوتی و احتمالاً تشخیص زودهنگام سرطان حنجره، حداقل در مردان، به کار رود.

پژوهشگران نتوانستند تفاوتی بین زنان مبتلا به سرطان حنجره شناسایی کنند، اما امیدوارند مجموعه داده‌های بزرگ‌تر بتواند چنین تفاوت‌هایی را نشان دهد.

گام بعدی، تغذیه هوش مصنوعی با داده‌های بیشتر و آزمایش کارایی آن روی بیماران در محیط‌های بالینی است. جنکینز گفت: برای حرکت از این مطالعه به سمت یک ابزار هوش مصنوعی که بتواند ضایعات تارهای صوتی را شناسایی کند، باید مدل‌ها را با استفاده از مجموعه داده‌های بزرگ‌ترِ صدای برچسب‌خورده توسط متخصصان آموزش دهیم. سپس باید این سیستم آزمایش شود تا مطمئن شویم برای زنان و مردان به یک اندازه کار می‌کند

وی افزود: ابزارهای سلامت مبتنی بر صدا هم‌اکنون در حال آزمایش پایلوت هستند. بر اساس یافته‌های ما، تخمین می‌زنم با مجموعه داده‌های بزرگ‌تر و اعتبارسنجی بالینی، ابزارهای مشابه برای تشخیص ضایعات تارهای صوتی بتوانند ظرف چند سال آینده وارد مرحله آزمایش پایلوت شوند.