محورهای کارگاه

• صدا به‌عنوان یک منبع داده پزشکی
• از سیگنال صوتی تا ویژگی‌های قابل استفاده
• از ویژگی تا مدل هوش مصنوعی
• از مدل پژوهشی تا کاربرد بالینی
• مطالعه موردی: تحلیل صدای بیماران پارکینسون
• تمرین و جمع‌بندی

مدت زمان: 120 دقیقه

چکیده

صدای انسان علاوه بر انتقال محتوای گفتار، حاوی اطلاعات متعددی درباره ویژگی‌های فیزیولوژیک، حرکتی، شناختی و عصبی فرد است و به همین دلیل در سال‌های اخیر به‌عنوان یکی از منابع غیرتهاجمی و قابل دسترس برای استخراج نشانگرهای زیستی مورد توجه قرار گرفته است. در این کارگاه، مسیر تبدیل یک سیگنال صوتی خام به یک نشانگر زیستی قابل استفاده در پزشکی به‌صورت مرحله‌به‌مرحله بررسی خواهد شد. مباحث از مبانی تولید و ثبت سیگنال صوتی و پیش‌پردازش آن آغاز شده و سپس استخراج ویژگی‌های آکوستیکی و گفتاری، انتخاب و کاهش ویژگی، روش‌های یادگیری ماشین و یادگیری عمیق، طراحی مدل‌های پیش‌بینی و الزامات اعتبارسنجی آن‌ها بررسی می‌شود. در ادامه، چالش‌های انتقال مدل‌های پژوهشی به محیط بالینی، از جمله کیفیت و حجم داده، ناهمگونی جمعیت، عوامل مخدوش‌کننده، تعمیم‌پذیری، تفسیرپذیری و اعتبارسنجی بالینی مورد بحث قرار خواهد گرفت. نمونه‌هایی از کاربرد تحلیل صدا در بیماری‌های عصبی، اختلالات شناختی و سایر حوزه‌های پزشکی ارائه شده و یک مطالعه موردی در زمینه شناسایی نشانگرهای صوتی بیماری پارکینسون نیز تشریح خواهد شد.

اهداف آموزشی

در پایان کارگاه، شرکت‌کنندگان انتظار می‌رود بتوانند:

• ظرفیت‌ها و محدودیت‌های صدا به‌عنوان یک منبع داده پزشکی را تشخیص دهند.
• مراحل اصلی تبدیل سیگنال صوتی خام به ویژگی‌های قابل استفاده در مدل‌های هوش مصنوعی را توضیح دهند.
• مهم‌ترین ویژگی‌های آکوستیکی و گفتاری مورد استفاده در تحلیل پزشکی صدا را بشناسند.
• تفاوت میان ویژگی، نشانگر زیستی، مدل پیش‌بینی و خروجی بالینی را درک کنند.
• با اصول طراحی و ارزیابی مدل‌های یادگیری ماشین برای داده‌های صوتی آشنا شوند.
• عوامل مؤثر بر اعتبار، تعمیم‌پذیری و قابلیت استفاده بالینی مدل‌های صوت‌محور را شناسایی کنند.
• مسیر تبدیل یک ایده پژوهشی مبتنی بر صدا به یک راهکار قابل استفاده در محیط پزشکی را درک کنند.

سرفصل‌های پیشنهادی و زمان‌بندی

صدا به‌عنوان یک منبع داده پزشکی — 10 دقیقه

• ظرفیت‌های صدای انسان در پزشکی
• مفهوم Voice Biomarker
• نمونه‌هایی از کاربردهای پزشکی

از سیگنال صوتی تا ویژگی‌های قابل استفاده — 25 دقیقه

• ثبت و کیفیت داده صوتی
• پیش‌پردازش و حذف نویز
• ویژگی‌های آکوستیکی و گفتاری
• Phonation، Articulation و Prosody

از ویژگی تا مدل هوش مصنوعی — 25 دقیقه

• انتخاب ویژگی
• یادگیری ماشین و یادگیری عمیق
• طراحی و ارزیابی مدل
• معیارهای عملکرد

از مدل پژوهشی تا کاربرد بالینی — 20 دقیقه

• Bias و Confounding
• تعمیم‌پذیری مدل
• اعتبارسنجی
• تفاوت Screening، Diagnosis و Decision Support

مطالعه موردی: تحلیل صدای بیماران پارکینسون — 25 دقیقه

• تعریف مسئله بالینی
• جمع‌آوری و برچسب‌گذاری داده
• پردازش و مدل‌سازی
• ارزیابی و اعتبارسنجی
• چالش‌های انتقال از پژوهش به محصول

تمرین و جمع‌بندی — 15 دقیقه

• طراحی اولیه یک Voice Biomarker برای یک مسئله پزشکی
• بحث و پرسش و پاسخ