Uma Metodologia para Classificação de Sinais Acústicos de Deglutições de Indivíduos com e sem Disfagia Via Deep Learning
Carregando...
Data
2024-07-22
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editora
Editor Literário
Resumo
Introdução: A disfagia é um sintoma resultante de algum comprometimento no processo de deglutição, diagnosticado tradicionalmente por videofluoroscopia ou avaliação endoscópica com nasofibrolaringoscópio. Apesar de serem consideradas técnicas padrão-ouro devido à alta precisão na identificação de casos de disfagia, ambas são invasivas e desconfortáveis para o paciente. A ausculta cervical surge como uma técnica auxiliar aos exames de imagem padrão-ouro e é amplamente utilizada na prática clínica. Assim, é uma técnica auxiliar que pode qualificar a identificação de pessoas com alteração na deglutição. Objetivo: O objetivo deste trabalho é propor um modelo de rede neural convolucional capaz de classificar espectrogramas de sinais acústicos de deglutição, obtidos via ausculta cervical digital, de indivíduos com e sem disfagia. Materiais e Métodos: Foram utilizados sinais de áudios de deglutição via ausculta cervical de indivíduos adultos com e sem disfagia coletados pela equipe do projeto Sistema de Diagnóstico da Disfagia Apoiado por Inteligência Artificial (DIGDIS). Durante a coleta de dados, são auscultados o processo de deglutição em 7 condições diferentes: saliva, líquido controlado e livre, pastosos controlado e livre e sólido controlado e livre. Optou-se por trabalhar com os sinais de áudio da condição pastoso controlado, devido ao número de dados mais expressivo. Resultados: Os eventos de deglutição foram isolados dos sinais completos, gerando um banco de dados com 1888 eventos de deglutição. Foram obtidos 1888 espectrogramas referentes aos eventos de deglutição isolados de indivíduos com e sem disfagia. As imagens foram usadas como dados de entrada de uma rede neural convolucional associada a uma validação cruzada. Os resultados experimentais obtidos pelo modelo proposto de rede neural convolucional apresentaram uma acurácia de 75,13%, uma sensibilidade de 75,47%, uma especificidade de 75% e uma precisão de 54,5%, um F-score de 62,99% e a Curva ROC de 0,7524. Conclusões: Os resultados obtidos são similares com aqueles encontrados na literatura e evidenciam a potencialidade do diagnóstico de indivíduos com disfagia via ausculta cervical assistido por um modelo de inteligência artigicial.
Descrição
Dissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.
Palavras-chave
Transtornos de Deglutição, Aprendizado Profundo, Rede neural convolucional, [en] Deglutition Disorders, [en] Deep Learning, [en] Convolutional neural network