تشخیص سرطان حنجره با ابزارهای هوش مصنوعی
دانشمندان ابزار هوش مصنوعی جدیدی توسعه دادهاند که میتواند با تحلیل تغییرات نامحسوس در صدای افراد، ضایعههای سرطانی تارهای صوتی را تشخیص دهد.

دانشمندان ابزار هوش مصنوعی جدیدی توسعه دادهاند که میتواند با تحلیل تغییرات نامحسوس در صدای افراد، ضایعههای سرطانی تارهای صوتی را تشخیص دهد. این پیشرفت میتواند به شناسایی زودهنگام سرطان حنجره کمک شایانی کند و روشهای تشخیصی فعلی را متحول سازد.
به گزارش گجت نیوز، این تغییرات صوتی آنقدر جزئی هستند که با گوش انسان قابل تشخیص نیستند، اما AI بهخوبی آنها را شناسایی میکند. سرطان حنجره یا جعبه صدا یک بیماری جدی است که در سال ۲۰۲۱ بیش از یک میلیون نفر را در سراسر جهان درگیر کرد و منجر به مرگ حدود صد هزار نفر شد.
در حال حاضر، تشخیص این بیماری نیازمند روشهای تهاجمی مانند آندوسکوپی و نمونهبرداری است. این فرایندها باید توسط پزشکان متخصص انجام شوند و همیشه در دسترس همه نیستند.
هوش مصنوعی چگونه سرطان حنجره را تشخیص میدهد؟
ابزارهای غربالگری دیجیتال که از طریق ضبط صدا کار میکنند، میتوانند به پزشکان غیرمتخصص کمک کنند تا بیماران در معرض خطر را سریعتر شناسایی کنند. این فناوری با تشخیص علائم هشداردهنده اولیه، فرایند تشخیص را سرعت میبخشد و شانس درمان موفق را افزایش میدهد.
پژوهشگران با تحلیل بیش از ۱۲ هزار فایل صوتی از ۳۰۶ شرکتکننده، ویژگیهای صوتی ضایعههای خوشخیم و بدخیم را در صدای مردان شناسایی کردند.
یافته کلیدی این تحقیق، نسبت هارمونیک به نویز در صدا بود. این معیار به هوش مصنوعی اجازه میدهد تا بین صدای فرد مبتلا به سرطان حنجره، ضایعههای خوشخیم و سایر اختلالات صوتی تمایز قائل شود.
این مدل هوش مصنوعی توانست با دقت بالایی موارد مشکوک را از نمونههای سالم جدا کند و راه را برای یک روش غربالگری غیرتهاجمی هموار سازد.
چالشها و آینده این فناوری شگفتانگیز
با وجود موفقیتهای اولیه، این فناوری هنوز در ابتدای راه قرار دارد. در مطالعه اخیر، محققان نتوانستند ویژگیهای آماری معناداری در صدای زنان پیدا کنند.
آنها امیدوارند با استفاده از مجموعه دادههای بزرگتر و متنوعتر، دقت مدل برای صدای زنان نیز در آینده افزایش یابد. علائم سرطان حنجره شامل تغییر صدا مانند گرفتگی و گلودردی است که بهبود نمییابد.
فیلیپ جنکینز، متخصص انفورماتیک بالینی میگوید برای تبدیل این پژوهش به یک ابزار کاربردی، باید مدلها را با مجموعه دادههای بسیار بزرگتری آموزش دهیم.
همچنین باید سیستم را آزمایش کنیم تا از عملکرد یکسان آن برای زنان و مردان مطمئن شویم. او تخمین میزند که با تکمیل این مراحل، ابزارهای مشابهی طی چند سال آینده وارد فاز آزمایشی بالینی شوند.