Makine Öğrenimi Tabanlı Öksürük Tonu Sınıflandırması: Kronik Obstrüktif Akciğer Hastalığı ve Solunum Yolu Enfeksiyonlarının Tanısal Araştırması
19 Eylül 2025
Bu çalışma, konuşma sinyali işleme teknikleri ve makine öğrenimi algoritmalarının bir entegrasyonunu kullanarak, kronik obstrüktif akciğer hastalığı (KOAH) ve solunum yolu enfeksiyonları (RTI) teşhisi konan hastalardan öksürük sesi verileri elde ederek iki farklı kategorinin otomatik sınıflandırmasını etkili bir şekilde gerçekleştirdi.
Bu araştırma, ses sinyal analizi ve makine öğrenimi kullanılarak kronik obstrüktif akciğer hastalıkları ve solunum yolu enfeksiyonlarının invaziv olmayan erken sınıflandırılması için ayırt edici ses özelliklerini çıkararak akustik tanı üzerine odaklanmaktadır. Bu alandaki son gelişmeler arasında yapay zeka odaklı ses analizi, konvolüsyon sinir ağları ve destek vektör makineleri gibi makine öğrenimi teknikleri, MFCC gibi sinyal işleme araçları ve ses sinyallerindeki hastalıkla ilgili desenleri tespit etmek için değişken akustik sensörler yer almaktadır. Ses tabanlı tanı uygulamasının klinik çevirisindeki başlıca zorluklardan biri veri kıtlığıdır.
Diğer zorluklar arasında sınırlı model genellemesi, gizlilik etîk, çatışmalar ve yorumlanabilirlik engelleri yer alır. Vokal özellik göstergesi veritabanını oluşturduktan sonra SPSS'i açın ve uygun veri dosyasını yükleyin. Menü çubuğundan Analiz Et, ardından Parametrik Olmayan Testler'i, ardından Miras Diyalogları'nı seçin ve 2 Bağımsız Örnek'e tıklayın.
Açılır açılır diyalog kutusunda, Test Değişken Listesi bölümünde karşılaştırılacak gözlemlenen değişkenleri seçin. Sonra, Gruplama Değişkeni altında, gruplama için kullanılacak değişkeni seçin. Grupları Tanımla' butonuna tıklayın ve açılır pencerede iki grubun tanımlayıcılarını girin.
Test Tipi altında Mann-Whitney U testini seçin. Testi çalıştırmak için Ok'a tıklayın ve SPSS'nin çıktıyı otomatik olarak üretmesine izin verin. Ana bileşen analizi için, verilerin derlendiğinden, Excel veya CSV formatında kaydedildiğinden ve SPSS sürüm 20.0'a aktarıldığından emin olun.
Dosyayı açmak için Dosya'yı, ardından Aç'ı, ardından Veri'yi seçin ve uygun dosyayı seçin. Ana bileşen analizini başlatmak için Analyze'a tıklayın, ardından Boyut Azaltma'yı seçin ve Faktör'ü seçin. Diyalog kutusunda, ana bileşen analizinde kullanılan tüm sürekli değişkenleri Değişkenler alanına ekleyin.
Ekstraksiyon butonuna tıklayın ve çıkarma tekniği olarak Ana bileşenler yöntemini seçin. Ana bileşenlerin korunması için kriter olarak 1'den büyük özdeğerleri seçin. Döndürme yöntemini seçin ve Varimax veya Promax seçmek için Rotation'a tıklayın.
Seçenekler bölümünde, elde tutulan varyantları değerlendirmek için çıktıda çakıl diyagramı ve katsayılar matrisini içeren hem Scree grafiki hem de katsayıcılık matrisini kontrol edin. Tüm ayarları tamamladıktan sonra, analizi yürütmek için Ok'a tıklayın ve SPSS'in çıktıyı üretmesine izin verin. Ana bileşen yükleme matrisini yorumlayarak ana bileşenler ile orijinal değişkenler arasındaki ilişkiyi değerlendirin.
Daha yüksek yükleme değerlerine sahip değişkenleri belirleyin, çünkü bunlar bileşen değişikliklerine daha önemli katkı sağlar. Her ana bileşenin ne kadar varyansı hesaba kattığını değerlendirmek için Toplam Varyans Açıklaması tablosunu kullanın. Büyük varyans oranlarına sahip ana bileşenleri belirleyin, çünkü genellikle veri varyasyonunun çoğunu kaplarlar.
Hangi bileşenlerin tutulacağını belirlemek için scree grafiğine bakın. Dönüş noktasını bulun ve tüm bileşenleri bu noktanın solunda tutun. Ana bileşen puanları gerekiyorsa, analizi çalıştırmadan önce Değişken olarak kaydet'i işaretleyin.
SPSS, veri setine her örneklem için puanları yeni değişkenler olarak ekler. Ana bileşen analizi, toplam varyansın %76,8'ini oluşturan altı ana bileşeni tespit etti. Lojistik regresyon modeli, üç doğrulama katında istikrarlı performans gösterdi; AUC değerleri 0.71, 0.74 ve 0.88 olarak ortalama 0.77 oldu.
Buna karşılık, rastgele orman modeli daha fazla değişkenlik gösterdi; katlama AUC puanları 0,69, 0,52 ve 0,83 ve ortalama AUC 0,68 olarak daha düşüktü. Lojistik regresyon modeli, KOAH için %100 doğru tahminler ve solunum yolu enfeksiyonları için yedi tahmin elde etti; bu da yüksek sınıflandırma doğruluğunu göstermektedir. Rastgele orman modeli, bir KOAH ve iki solunum yolu enfeksiyonu vakasını yanlış sınıflandırmış, bu da lojistik regresyon modeline kıyasla daha düşük sınıflandırma doğruluğuna yol açmıştır.
Test veri setinde, lojistik regresyon modeli mükemmel sınıflandırma performansı sağladı ve 0.95 AUC değeri elde etti. Rastgele orman modeli, 0,76 AUC değeriyle daha düşük test performansı gösterdi.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu araştırma; kronik obstrüktif akciğer hastalığının ve solunum yolu enfeksiyonlarının non-invaziv erken sınıflandırması için ayırt edici ses özelliklerini çıkarmak amacıyla ses sinyali analizi ve makine öğrenimini kullanan akustik tanı yöntemlerine odaklanmaktadır. Çalışma, konuşma sinyali işleme ve makine öğrenimi algoritmalarındaki gelişmiş tekniklerin entegrasyonunu vurgulamaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Nörobilim
- Makine Öğrenimi
- Akustik Tanı
Arka Plan
- Hastalık sınıflandırması için ses sinyali analizinin kullanımı.
- Veri kıtlığı ve model genelleştirmesi nedeniyle klinik uygulamaya aktarmadaki zorluklar.
- Gizlilik ve yorumlanabilirlik ile ilgili etik hususlar.
- Yapay zeka destekli ses analizindeki güncel gelişmeler.
Çalışmanın Amacı
- Öksürük sesi verilerini kullanarak KOAH ve RTI sınıflandırmasını otomatikleştirmek.
- Akustik tanıda makine öğrenimi tekniklerinin etkinliğini araştırmak.
- Klinik ortamlarda ses tabanlı tanıların uygulanmasındaki zorlukları ele almak.
Kullanılan Yöntemler
- Hastalardan öksürük sesi verilerinin toplanması.
- Evrişimli sinir ağları ve destek vektör makineleri gibi makine öğrenimi algoritmalarının uygulanması.
- MFCC'ler gibi sinyal işleme araçlarının kullanımı.
- Bir vokal özellik göstergesi veri tabanının geliştirilmesi.
Temel Sonuçlar
- Öksürük seslerinin farklı kategorilerinin başarılı bir şekilde sınıflandırılması.
- Ses sinyallerinde hastalıkla ilişkili paternlerin tanımlanması.
- Erken teşhiste yapay zekanın etkinliğine dair öngörüler.
- Veri yorumlama ve model genellemesinde karşılaşılan zorlukların tartışılması.
Sonuçlar
- Çalışma, solunum yolu hastalıklarının teşhisinde ses analizinin potansiyelini ortaya koymaktadır.
- Veri kıtlığının ve etik sorunların ele alınması gerekliliğine dikkat çekmektedir.
- Sağlık hizmetlerinde makine öğrenimi uygulamaları üzerine daha fazla araştırma yapılmasını teşvik etmektedir.
Sıkça Sorulan Sorular
Sektörel Uygulama Alanları
Makine öğrenimi tabanlı öksürük tonu sınıflandırması, kronik obstrüktif akciğer hastalığını (KOAH), solunum yolu enfeksiyonlarından (SYE) ayırt etmek için non-invaziv ve veri odaklı bir yaklaşım sunarak solunum yolu hastalıklarının yönetimindeki kritik bir tanısal dönüm noktasını ele almaktadır. Kantitatif ses özelliği analizi ve güçlü istatistiksel doğrulamadan yararlanan bu iş akışı, öngörü güvenilirliğini artırır ve erken keşif ile translasyonel araştırmalarda risk odaklı triyajı destekler. Bu yaklaşım, daha geniş Ar-Ge süreçlerine entegre edilebilen ölçeklenebilir, tekrarlanabilir ve yorumlanabilir tanı yöntemleri sağlayarak kurumsal değer ortaya koymaktadır.
Biyofarma Ar-Ge'de Stratejik Uygulamalar
Erken Keşif ve Hedef Doğrulama
- Mekanistik risk azaltma için hastalığa özgü akustik biyobelirteçlerin sorgulanmasına olanak tanır.
- İstatistiksel olarak anlamlı ses özelliği farklılaştırması yoluyla fonksiyonel hedef doğrulamasını destekler.
- Hastalık sınıflandırması için nicel kanıtlar sağlayarak portföy önceliklendirmesini kolaylaştırır.
Tarama ve Analiz Geliştirme
- Alt akış makine öğrenimi model geliştirme süreçleri için doğrulanmış ses özelliği veri setleri hazırlar.
- Tekrarlanabilir analiz çıktıları için özellik çıkarımı ve istatistiksel testleri standartlaştırır.
- Model eğitimi ve değerlendirmesi için hastadan alınan akustik verilerin ölçeklenebilir şekilde taranmasını sağlar.
Translasyonel ve Preklinik Araştırmalar
- Translasyonel süreklilik için akustik biyobelirteçleri hastalıkla ilgili fenotiplerle hizalar.
- Validasyon katlamaları boyunca model performansını nicelleştirerek riskle uyumlu ilerlemeyi destekler.
- Non-invaziv tanıların preklinik iş akışlarına entegrasyonu için bir temel sağlar.
Boru Hattı ve İş Akışı Entegrasyonu
Bu yöntem, ham akustik verileri makine öğrenimi tabanlı hastalık sınıflandırması için doğrulanmış, kantitatif özelliklere dönüştürerek erken keşif ile translasyonel araştırmalar arasında bir köprü kurmaktadır.
- Keşif Biyolojisi: Ses özelliklerinin istatistiksel analizi yoluyla hipotez testlerini ve yolak açıklığa kavuşturulmasını kolaylaştırır.
- Tarama: Model eğitimi ve değerlendirmesi için tekrarlanabilir, kantitatif çıktılar sunar.
- Analitik: Güçlü model karşılaştırmaları için AUC, konfüzyon matrisi ve temel bileşen çıktıları sağlar.
- Translasyonel Araştırma: İnvaziv olmayan biyobelirteç keşfini, tanı araçlarının preklinik doğrulamasına bağlar.
- Kurumsal Yeniden Kullanım: Gelecekteki solunum yolu hastalığı sınıflandırma girişimleri için ölçeklenebilir bir iş akışı oluşturur.
Operasyonel ve Kurumsal Etki
- Bilimsel Değer: Solunum yolu hastalıklarının farklılaştırılmasında öngörü güvenini artırır ve mekanistik belirsizliği azaltır.
- Operasyonel Değer: Tekrarlanabilirlik için özellik çıkarımını, istatistiksel testleri ve model değerlendirmesini standartlaştırır.
- Stratejik Değer: Veriye dayalı devam/durdur kararlarına ve sermaye açısından verimli tanı geliştirme süreçlerine olanak tanır.
- Portföy Etkisi: Tanı adaylarının riskle uyumlu önceliklendirilmesini ve iş akışı ölçeklenebilirliğini destekler.
Uygulama Hususları
- Akustik sinyal işleme ve istatistiksel analiz konularında uzmanlık gerektirir.
- Makine öğrenimi altyapısına ve veri analizi için SPSS'e erişim gereklidir.
- Ekipler arasında standartlaştırılmış veri toplama ve öznitelik çıkarma protokolleri gerektirir.
- Daha geniş uygulamalar için model genelleştirmesi ve yorumlanabilirliği ele alınmalıdır.
- Hasta kaynaklı veri setlerindeki veri kıtlığı ve gizlilik hususlarıyla sınırlıdır.
