Modellbasierte Schätzung des subglottalen Drucks mittels Deep Learning

Hintergrund: Mehrere Studien haben Zusammenhänge zwischen dem subglottalen Druck Psub und Dysphonie festgestellt. Der Psub ist in-vivo nur mit invasiven Methoden direkt oder einer sogenannten Rothenbergmaske messbar. Kenntnis des Psub könnte bei der Diagnose helfen. Zur Schätzung können numerische Modelle verwendet werden, um in einem inversen Problem den Psub zu schätzen. Häufig kommt dabei ein Zwei-Massen-Modell (2MM) zum Einsatz. Bei komplexeren Modellen - z.B. mit besseren Strömungslösern - ist der Rechenaufwand zur klinischen Anwendung zu groß. Wir präsentieren einen Deep Learning Ansatz, der den Rechenaufwand signifikant reduziert.Material und Methoden: In zwei vorherigen Studien wurde zunächst in ex-vivo Experimenten der Psub bei der Oszillation von Schweinestimmlippen gemessen und dann gezeigt, dass mit einem modifizierten 2MM der Psub geschätzt werden kann. Aus beiden Studien wurden 288 Hochgeschwindigkeitsaufnahmen der Stimmlippenoszillation analysiert, bei denen der experimentelle Psub und die bisher beste Schätzung des Psub bekannt waren. Die Schätzung erfolgte anhand der lateralen Trajektorien der Stimmlippen.In dieser Studie wurde ein rekurrentes neuronales Netzwerk (RNN) mit synthetischen Trajektorien des 2MM trainiert, den Psub aus Trajektorien zu schätzen. Zum Training wurden 40.000 synthetische Trajektorien generiert.Ergebnisse: Der Fehler bei der Schätzung des Psub mit dem RNN lag bei den synthetischen Daten im Schnitt bei 80.3 ± 2.7 Pascal (8.1%) und bei den experimentellen ex-vivo Daten bei 194 ± 7.4 Pascal (21.21%). Die Laufzeit des 2MM zur Generierung der synthetischen Daten betrug 6.2 s, das Training des RNN benötigte 569 s.Diskussion: Die Genauigkeit bei der Schätzung des Psub ist vergleichbar mit dem vorherigen Ansatz (21.21% vs. 17.65% relativer Fehler). Der vorherige Ansatz benötigte aber pro Aufnahme 150.000 Modellauswertungen und 5.8 s, der präsentierte Ansatz benötigt nur einmalig 40.000 Modellauswertungen und unter 1 ms zur Auswertung