Evaluation of Voice Features Using Wav2vec2.0-Based Deep Learning as a Diagnostic Tool in Acromegaly
यह अध्ययन प्रदर्शित करता है कि आवाज़ की रिकॉर्डिंग का विश्लेषण करने वाला एक Wav2Vec2.0-आधारित डीप लर्निंग मॉडल उच्च नैदानिक सटीकता के साथ एक्रोमेगाली वाले रोगियों को नियंत्रण समूह से प्रभावी ढंग से अलग कर सकता है, जो इस स्थिति के लिए एक आशाजनक गैर-आक्रामक डिजिटल बायोमार्कर के रूप में स्वर विश्लेषण का सुझाव देता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मानव आवाज को एक अद्वितीय वाद्य यंत्र के रूप में कल्पना करें, जो शरीर के आंतरिक रसायन विज्ञान द्वारा लगातार ट्यून और आकार में बदली जा रही है। जिस तरह एक वायलिन की ध्वनि बदल जाती है यदि उसकी लकड़ी फूल जाए या उसके तार मोटे हो जाएं, उसी तरह हमारे स्वर तंत्र और उनके आसपास के वायु कोष (जैसे साइनस और गला) बदल जाते हैं जब हमारे हार्मोन अत्यधिक सक्रिय हो जाते हैं। यह डिजिटल बायोमार्कर (digital biomarkers) की दुनिया है: एक ऐसा क्षेत्र जहाँ वैज्ञानिक हमारे द्वारा की जाने वाली रोज़मर्रा की चीज़ों, जैसे कि बोलना या चलना, में छिपे हुए स्वास्थ्य संकेतों को खोजने की कोशिश करते हैं, जिसमें कंप्यूटर की शक्ति का उपयोग किया जाता है। एक विशाल एमआरआई (MRI) मशीन या सुई की आवश्यकता के बजाय, शोधकर्ता पूछ रहे हैं: "क्या एक कंप्यूटर आपकी आवाज़ सुनकर आपको बता सकता है कि आपके भीतर कुछ गलत है?" यह शोध उस प्रश्न की गहराई में जाता है, विशेष रूप से एक दुर्लभ स्थिति पर नज़र रखता है जहाँ शरीर बहुत अधिक ग्रोथ हार्मोन का उत्पादन करता है, जिससे चेहरे और शरीर में धीमी, सूक्ष्म परिवर्तन होते हैं। बड़ा विचार यह है कि ये परिवर्तन आवाज़ में एक "फिंगरप्रिंट" छोड़ सकते हैं जिसे एक स्मार्ट कंप्यूटर प्रोग्राम पहचान सकता है, यहाँ तक कि डॉक्टर द्वारा शारीरिक संकेतों को नोटिस करने से पहले भी।
इस शोध की कहानी एक्रोमेगाली (acromegaly) नामक एक स्थिति से शुरू होती है। यह एक दुर्लभ विकार है जहाँ शरीर बहुत अधिक ग्रोथ हार्मोन बनाता है, जो आमतौर पर पिट्यूटरी ग्रंथि पर एक छोटे से ट्यूमर के कारण होता है। समस्या यह है कि यह चुपके से आता है। परिवर्तन इतने धीरे-धीरे होते हैं—वर्षों में—कि मरीज़ और डॉक्टर अक्सर शुरुआती चेतावनी संकेतों को चूक जाते हैं। जब तक निदान (diagnosis) किया जाता है, तब तक मरीज़ पहले से ही लंबे समय से इस बीमारी से जूझ रहा होता है, कभी-कभी 14 वर्षों तक! इस देरी के कारण, लोग हृदय रोग और मधुमेह जैसी गंभीर स्वास्थ्य समस्याओं का सामना करते हैं। शोधकर्ता इस बीमारी को जल्दी पकड़ने का एक तेज़ और आसान तरीका खोजना चाहते थे। वे जानते थे कि एक्रोमेगाली वाले लोगों की आवाज़ अक्सर गहरी और भारी होती है क्योंकि उनके स्वर तंत्र और चेहरे की हड्डियाँ मोटी और भारी हो जाती हैं। लेकिन क्या एक कंप्यूटर मानवीय कान से बेहतर अंतर सुन सकता है?
यह पता लगाने के लिए, टीम ने 138 लोगों के साथ एक 'लिसनिंग पार्टी' आयोजित की। आधे लोगों को एक्रोमेगाली थी, और बाकी स्वस्थ नियंत्रण समूह (control group) थे (जो कि गैर-कार्यात्मक पिट्यूटरी ट्यूमर वाले थे, ताकि तुलना निष्पक्ष रहे)। हर कोई एक शांत कमरे में खड़ा हुआ और एक मानक मोबाइल फोन में दो तुर्की शब्द, "zaman" और "simit", तीन-तीन बार बोले। शोधकर्ताओं ने फिर इन रिकॉर्डिंग को लिया और उन्हें Wav2Vec 2.0 नामक एक बहुत ही स्मार्ट कंप्यूटर मस्तिष्क में डाला। Wav2Vec 2.0 को एक 'सुपर-लिसनर' के रूप में समझें जिसने पहले से ही दुनिया भर की लाखों घंटों की मानव आवाज़ों को "सुना" है। इसे शब्दों के अर्थ से कोई सरोकार नहीं है; इसे केवल ध्वनि से मतलब है—पिच, बनावट और शोर में छिपे हुए पैटर्न। इसने प्रत्येक वॉयस रिकॉर्डिंग को 1,024 नंबरों की एक विशाल सूची (एक "वेक्टर") में बदल दिया, जो उस व्यक्ति की आवाज़ के अनूठे ध्वनिक फिंगरप्रिंट (acoustic fingerprint) का वर्णन करती थी।
एक बार जब कंप्यूटर के पास ये फिंगरप्रिंट आ गए, तो शोधकर्ताओं ने चार अलग-अलग प्रकार के मशीन लर्निंग "जासूसों" से पूछा कि कौन सी आवाज़ें एक्रोमेगाली समूह की हैं और कौन सी नियंत्रण समूह की। वे जासूस थे: लॉजिस्टिक रिग्रेशन (एक सरल, स्पष्ट दिमाग वाला कैलकुलेटर), सपोर्ट वेक्टर मशीन (एक सीमा खींचने वाला विशेषज्ञ), रैंडम फॉरेस्ट (निर्णय वृक्षों का एक समूह), और XGBoost (एक शक्तिशाली, तेज़ सीखने वाला)। उन्होंने डेटा को एक प्रशिक्षण समूह (80% लोग) और एक परीक्षण समूह (शेष 20%) में विभाजित किया, यह देखने के लिए कि क्या जासूस उन लोगों के रहस्य को सुलझा सकते हैं जिनसे वे पहले कभी नहीं मिले।
परिणाम रोमांचक लेकिन सतर्क करने वाले थे। "सरल" जासूस, लॉजिस्टिक रिग्रेशन, मुख्य आकर्षण साबित हुआ। प्रशिक्षण चरण में, इसने लगभग 76% बार बीमारी की सही पहचान की और इसका एक स्कोर (जिसे AUC कहा जाता है) 0.86 था, जो एक बहुत ही मजबूत संकेत है। जब उन्होंने नए, अनदेखे समूह के लोगों पर इसका परीक्षण किया, तो यह मजबूत बना रहा, जिसका AUC 0.84 था। इसका मतलब है कि मॉडल केवल अनुमान लगाने के बजाय बीमारी को पहचानने में सक्षम था। यह "नहीं" कहने में विशेष रूप से अच्छा था जब एक्रोमेगाली नहीं थी (एक विशिष्टता/specificity 0.92 के साथ), जिसका अर्थ है कि इसने शायद ही कभी गलत अलार्म बजाया। अन्य जासूसों, जैसे XGBoost और SVM, ने ठीक-ठाक प्रदर्शन किया, लेकिन वे लॉजिस्टिक रिग्रेशन मॉडल जितने सुसंगत या विश्वसनीय नहीं थे।
शोधकर्ताओं ने कच्चे साउंड वेव्स (raw sound waves) को भी देखा कि क्या अलग था। उन्होंने पाया कि एक्रोमेगाली समूह की पिच थोड़ी कम और आवाज़ अधिक "साफ" (उच्च हारमोनिक्स-टू-नॉइज़ रेशियो, या HNR) होने की प्रवृत्ति रखती थी, हालांकि हर एक ध्वनि अंतर सांख्यिकीय रूप से बहुत बड़ा नहीं था। हालाँकि, कंप्यूटर सभी सूक्ष्म ध्वनिक विवरणों को उसके 1,024-नंबर वाले फिंगरप्रिंट में जोड़कर एक बड़ी तस्वीर देख सकता था।
तो, इसका क्या अर्थ है? शोध पत्र सुझाव देता है कि स्मार्टफोन का उपयोग करके आवाज़ रिकॉर्ड करना और उसे Wav2Vec 2.0 मॉडल के माध्यम से चलाना, एक्रोमेगाली की जांच के लिए एक आशाजनक, गैर-आक्रामक (non-invasive) तरीका हो सकता है। यह एक डिजिटल स्टेथोस्कोप की तरह है जो आवाज़ के लिए बना है। हालाँकि, लेखक इसे अभी एक पूर्ण इलाज या एक आदर्श उपकरण कहने में सावधानी बरतते हैं। वे बताते हैं कि उनका समूह अपेक्षाकृत छोटा था (70 मरीज़), और उनके पास धूम्रपान या अस्थमा जैसी जानकारी नहीं थी, जो आवाज़ को भी बदल सकते हैं। वे यह भी स्वीकार करते हैं कि जबकि कंप्यूटर पैटर्न खोजने में महान है, यह थोड़ा "ब्लैक बॉक्स" जैसा है—हम जानते हैं कि यह काम करता है, लेकिन हम पूरी तरह से नहीं समझते कि उस 1,024-नंबरों की सूची में से प्रत्येक संख्या क्यों महत्वपूर्ण है।
अंत में, यह अध्ययन एक मजबूत "शायद" है जो "आइए और अधिक लोगों के साथ फिर से प्रयास करें" में बदल जाता है। यह साबित करता है कि यह विचार एक नियंत्रित सेटिंग में काम करता है और डीप लर्निंग वह सुन सकती है जो मानवीय कान शायद मिस कर दें। लेकिन इससे पहले कि डॉक्टर केवल एक फोन रिकॉर्डिंग सुनकर एक्रोमेगाली का निदान करना शुरू कर सकें, इस पद्धति को विभिन्न स्थानों और विभिन्न भाषाओं के बहुत बड़े समूहों पर परीक्षण करने की आवश्यकता है। फिलहाल, यह एक दिलचस्प झलक है कि भविष्य में हमारी आवाज़ें हमारे स्वास्थ्य का पहला सुराग हो सकती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।