
Применение моделей машинного обучения для дифференциации функциональных и органических форм дисфонии
Журнал: Вестник оториноларингологии. 2026;91(5):33-36.
DOI: 10.17116/otorino20269105133
Прочитано: 128 раз
Резюме
ЦЕЛЬ ИССЛЕДОВАНИЯ
Оценить эффективность различных моделей искусственного интеллекта в диагностике дисфонии на основе акустического анализа голоса, а также сравнить точность и прогностическую ценность алгоритмов при различении нормального состояния, функциональных и органических голосовых нарушений.
МАТЕРИАЛ И МЕТОДЫ
В исследование включены 1260 пациентов, распределенных в три группы: с нормальной голосовой функцией, с функциональными и органическими патологиями голосовых складок. Всем пациентам выполнен акустический анализ голоса с помощью программы MDVP, а также проведены микроларингоскопия и видеоларингостробоскопия. Для построения диагностических моделей использовались алгоритмы множественной логистической регрессии, XGBoost, Random Forest, Extra Trees, LightGBM и нейронные сети (включая архитектуру TabFPN). Качество моделей оценивалось на тестовой выборке (20% от общей выборки) с применением метрик точности, чувствительности, специфичности, F1-меры и ROC-AUC. Статистическая обработка данных выполнена с использованием Python.
РЕЗУЛЬТАТЫ
Наивысшую диагностическую точность (ROC-AUC>0,935) продемонстрировали модели, основанные на алгоритмах бустинга и глубоких нейронных сетях, особенно при использовании полного набора акустических параметров (n=34). Метод XGBoost и современные нейросетевые архитектуры обеспечили наилучший баланс между чувствительностью и специфичностью при классификации трех диагностических категорий.
ЗАКЛЮЧЕНИЕ
Методы искусственного интеллекта, в частности бустинг и нейросети, демонстрируют высокую эффективность в диагностике дисфонии на основе акустических характеристик голоса. Их внедрение в клиническую практику способно повысить объективность диагностики голосовых нарушений и ускорить процесс принятия клинических решений.
Ключевые слова
- дисфония
- акустический анализ голоса
- искусственный интеллект
- машинное обучение
- нейросети
- XGBoost
- диагностика голосовых нарушений
- MDVP
Дата поступления: 08.02.2026
Дата принятия в печать: 11.06.2026
Дата публикации: 18.11.2026
- Lechien JR. Generative artificial intelligence in otolaryngology-head and neck surgery editorial: be an actor of the future or follower. Eur Arch Otorhinolaryngol. 2024;281(4):2051-2053. https://doi.org/10.1007/s00405-024-08579-z
- Al-Dhief F, Mat Baki M, Abdul Latiff NM, et al. Voice Pathology Detection and Classification by Adopting Online Sequential Extreme Learning Machine. IEEE Access. 2021;9:77293-77306. https://doi.org/10.1109/ACCESS.2021.3082565
- Вашкевич М.И., Бурак А.А., Конойко Н.С. и др. Анализ акустических параметров голоса для выявления заболеваний гортани. Информатика. 2020;17(1):78-86. https://doi.org/10.37661/1816-0301-2020-17-1-78-86
- Mendoza L, Kohler M, Vellasco M, et al. Analysis and Classification of Voice Pathologies Using Glottal Signal Parameters. J Voice. 2016;30(1):34-47. https://doi.org/10.1016/j.jvoice.2015.06.010
- Лысак А.П. Акустический анализ голоса в норме и патологии. Речевые технологии / Speech Technologies. 2012;(4):68-82.
- Nicastri M, Chiarella G, Gallo LV, et al. Multidimensional Voice Program (MDVP) and amplitude variation parameters in euphonic adult subjects. Normative study. Acta Otorhinolaryngol Ital. 2004;24(6):337-341.
- Kim HB, Song J, Park S, et al. Classification of Laryngeal Diseases Including Laryngeal Cancer, Benign Mucosal Disease, and Vocal Cord Paralysis by Artificial Intelligence Using Voice Analysis. Sci Rep. 2024;14:9297. https://doi.org/10.1038/s41598-024-58817-x
- Крюков А.И., Сударев П.А., Романенко С.Г. и др. Диагностика доброкачественных новообразований гортани с применением нейросети. Вестник оториноларингологии. 2024; 89(3):24-28. https://doi.org/10.17116/otorino20248903124
- Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении. Информационное общество. 2017; (4-5):78-93.
- Al-Hussain G, Shuweihdi F, Alali H, et al. The Effectiveness of Supervised Machine Learning in Screening and Diagnosing Voice Disorders: Systematic Review and Meta-analysis. J Med Internet Res. 2022;24(10):e38472. https://doi.org/10.2196/38472
Рекомендуем статьи по данной теме:
Искусственный интеллект как инфраструктурный компонент современной кардиологии: обзор перспективных решений и клинической эффективности.Профилактическая медицина. 2026;29(10):122-129
Разработка методологических подходов к использованию машинного обучения в системе диспансерного наблюдения пациентов, перенесших инфаркт миокарда.Профилактическая медицина. 2026;29(8):106-112
Современные возможности диагностики голосовых расстройств с помощью компьютерного акустического анализа голоса и искусственного интеллекта. Обзор литературы.Вестник оториноларингологии. 2026;91(4):109-116
Облачная система автоматической диагностики дисфонии по акустическим параметрам с использованием моделей искусственного интеллекта.Вестник оториноларингологии. 2026;91(4):78-80
Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29
Онкоскрининг и раннее выявление рака слизистой оболочки рта методом анализа фотоизображений с применением нейросетей.Российская стоматология. 2026;19(2):12-16
Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами.Онкология. Журнал им. П.А. Герцена. 2026;15(3):22-26
Прогнозирование успеха дентальной имплантации с использованием искусственного интеллекта и машинного обучения.Российская стоматология. 2026;19(1-2):165-173
Положительные примеры использования в здравоохранении искусственного интеллекта и телемедицины.Профилактическая медицина. 2026;29(2):109-114
Применение искусственного интеллекта в профилактике хронических неинфекционных заболеваний: систематический обзор публикаций 2022—2025 гг.Профилактическая медицина. 2025;28(12):21-30
