An unsupervised anomaly-based severity proxy for voice pathology assessment

技術要約：音声病理評価のための教師なし異常検知に基づく重症度プロキシ

問題提起

音声障害の客観的な評価は、依然として臨床上の大きな課題である。現在の標準的な手法は、アクセシビリティに欠ける高度な計測技術（例：ビデオ喉頭ファイバースコープ）か、あるいは主観性、評価者間および評価者内の変動、さらには自宅での経過観察のための自己実施が困難であるといった問題を持つ知覚的評価尺度（ドイツ語圏におけるRBHなど）のいずれかに依存している。さらに、既存の音声病理に関するディープラーニングのアプローチは、通常、手動でアノテーションされた病理データの教師あり学習を必要とする。これは、標準化されラベル付けされたデータセットの不足と、モデルが病理と録音アーティファクトを混同する可能性のある「ブラックボックス」的な性質に起因するボトルネックを生み出している。特定の疾患カテゴリーへの事前の曝露に依存することなく、音声の異常性を定量化できる、標準化され再現可能で、かつラベル効率の高い手法が切実に求められている。

手法

著者らは、病理特異的なラベルを使用せずに、健康な音声の参照表現を学習し、病理的な音声における逸脱を定量化する、教師なしの異常検知フレームワークを提案している。

1. データ取得および前処理:

• コホート: 本研究では、ライプツィヒ大学医学センターから、健康な参照コホート（$N=97$）および病理コホート（$N=220$）を利用した。
• 刺激: 録音内容は、異なる音声強度（ノーマル、教室、叫び）で発音された、孤立したドイツ語の多音節数字（21〜29）で構成されている。
• 前処理: 生オーディオは、Whisperモデルによるタイムスタンプ予測を用いて単語レベルのサンプルに分割され、16 kHzにリサンプリングされ、モノラルに変換された。

2. 教師・生徒フレームワーク (Teacher–Student Framework):

• 教師モデル (Teacher Model): 凍結されたHuBERT Baseモデル（960時間のLibrispeechで学習済み）が教師（$f_T$）として機能する。これは入力波形を処理してフレームレベルの隠れ状態を生成し、それらを平均プーリングすることで、発話レベルの埋め込み（$z_T$）を生成する。
• 生徒モデル (Student Model): 軽量な生徒ネットワーク（$f_S$）は、対数メルスペクトログラム（80ビン）に対して動作する。これは2つの1D畳み込み層、時間的グローバル平均プーリング、および入力を教師と同じ768次元の埋め込み空間にマッピングするための線形射影で構成される。
• 学習目的: 生徒は、自身の埋め込みと教師の埋め込みとの間の不一致を最小化するように、健康なコホートのみを用いて学習される。損失関数は、平均二乗誤差（MSE）とコサイン類似性を組み合わせたものである：
  $$L = \frac{1}{B} \sum_{i=1}^{B} \left[ \|z_S(x_i) - z_T(x_i)\|^2_2 + \lambda \left(1 - \frac{z_S(x_i)^\top z_T(x_i)}{\|z_S(x_i)\|_2 \|z_T(x_i)\|_2}\right) \right]$$

3. 異常スコアリング:

• 残差モデリング: 学習後、残差ベクトル $e(x) = z_T(x) - z_S(x)$ が計算される。これらの残差の平均（$\mu$）および共分散（$\Sigma$）は、健康な参照データのみを使用して推定される。
• スコアリング: テストサンプルに対し、異常スコアは、健康な残差分布に対する残差のマハラノビス距離として計算される：
  $$s(x) = \sqrt{(e(x) - \mu)^\top \Sigma_r^{-1} (e(x) - \mu)}$$
  スコアが高いほど、健康な参照からの逸脱が大きいことを示す。患者レベルのスコアは、録音レベルのスコアを平均することで導出される。

4. 評価および検証:

• ベースライン: 本手法は、健康なHuBERT埋め込みに直接適合させたガウス混合モデル（GMM）ベースラインと比較された。
• 相関関係: スコアは、知覚的RBH評価（粗さ [Roughness]、息漏れ声 [Breathiness]、声の枯れ [Hoarseness]）および人口統計学的変数（年齢、性別）と相関している。
• 予測的重要度: 知覚的評価を超えた異常スコアの独自の価値を評価するために、著者らはExact Gaussian Processesを用いた、ベイズ・ブートストラップによるLeave-One-Out Cross-Validation (LOO-CV) を用いた。これにより、代理アウトカムである最大発声強度（MVI）および最大発声持続時間（MPD）を予測する能力を評価した。

主な結果

• 知覚的評価との相関: 患者レベルの異常スコアは、RBHの3つの次元すべてに対して正のスペアマン相関を示した。教師・生徒アプローチはGMMベースラインを上回り、最も強い関連性は「声の枯れ（H）」において観察された。注目すべきは、年齢による調整後に相関が高まったことであり、これはモデルが人口統計学的な加齢効果とは異なる病理に関連する分散を捉えていることを示唆している。
• 病理の層別化: 異常スコアは、異なる診断グループ（例：声帯ポリープ、喉頭癌、機能性発声障害）を正常に層別化でき、この手法が臨床的に意味のある差異を捉えていることを示した。
• 予測的有用性: LOO-CV分析において、異常スコアは、RBH評価や人口統計学的変数が既にモデルに含まれている場合でも、MVIおよびMPDに対して実質的な独自の予測情報を提供した。
  • MVIについては、ベースラインモデルに異常スコアを加えることで、Added $\Delta$elpdは167.74であり、改善の確率（$Pr(\Delta elpd > 0)$）は1.00であった。
  • MPDについては、Added $\Delta$elpdは160.95（$Pr = 1.00$）であった。
  • RBH評価が最も強力な単一の予測因子であったが、異常スコアは、性別や年齢といった人口統計学的要因を上回り、有意な独立した分散に寄与した。

意義および主張

本論文は、教師なしの健康参照モデリングが、客観的な音声評価のための実現可能なアプローチであることを主張している。主な意義は、手動でアノテーションされた病理データを用意することなく、連続的な重症度のプロキシを導出できる点にあり、これによりラベル付きデータセットの不足という問題に対処している。

著者らは、提案されたスコアは単に知覚的なRBH評価を複製することを目的としたものではないことを強調している。むしろ、音響信号から直接導出される、補完的で標準化された連続的な尺度を提供することを目指している。結果は、この異常ベースのスコアが、従来の知覚的評価だけでは十分に表現されない音声障害の重症度の側面を捉えていることを示唆しており、縦断的なモニタリングや臨床的意思決定支援への可能性を提示している。

限界および注意点

著者らは、以下の限界を認め、自らの主張に対して慎重な姿勢を維持している。

• グラウンドトゥルース（正解）の欠如: 音声障害の重症度に関する直接的なグラウンドトゥルースは存在せず、検証は不完全なプロキシ尺度（診断、MVI、MPD）に依存している。
• コホートの構成: 健康なコホートは主に大学受験生（音楽家、教師など）で構成されていた一方、病理コホートはより高齢で異質であった。この人口統計学的なミスマッチは、学習された「健康な」参照空間の一般化可能性を制限する可能性がある。
• 交絡因子: 年齢調整後の相関は改善したが、病理に関連する効果が人口統計学的およびコホート固有の影響から完全に分離されているかどうかについては、依然として課題が残っている。

著者らは、本研究の結果は有望ではあるものの、本手法を堅牢な臨床ツールとして検証するためには、より大規模で代表性があり、人口統計学的にバランスの取れたコホートが必要であると結論付けている。