Parkinson hastalığı, kronik obstrüktif akciğer hastalığı ve sağlıklı kontrollerin çok sınıflı ayrımı için makine öğrenimi ve ses kullanımı

İnsanın Sesiyle Hastalığı Dinlemek

Çoğumuz sesimizin sağlığımız hakkında ne kadar bilgi verdiğini nadiren düşünürüz. Oysa perde, kararlılık veya nefeslilikteki ince değişiklikler beyni ve akciğerleri etkileyen bozukluklara dair ipuçları taşıyabilir. Bu çalışma, bir kişinin akıllı telefonuna “aa” ünlüsünü kısa süre tutarak kaydetmesinin ve modern makine öğrenimiyle birleştirilmesinin Parkinson hastalığı, kronik obstrüktif akciğer hastalığı (KOAH) ve sağlıklı yaşlı yetişkinleri ayırt etmeye yardımcı olup olamayacağını araştırıyor.

Parkinson ve KOAH’ın Sesimizi Neden Etkilediği

Parkinson hastalığı titreme ve sertlik ile bilinir, ancak konuşmayı çoğunlukla daha düşük sesli, daha monoton ve daha az anlaşılır hale de getirebilir. Uzun süreli bir akciğer hastalığı olan KOAH ise hava yollarını daraltır ve nefes almayı zorlaştırır; bu da sesi zayıf, kısık veya nefesli hale getirebilir. Her iki hastalık da ses üretme eylemini bozsa da, hekimlerin hâlâ ses temelli hızlı ve nesnel testleri yoktur. Daha önceki çalışmalar genellikle bilgisayarları yalnızca “hasta” ile “sağlıklı” arasında karar vermeye zorladı; çoğunlukla tek bir hastalık ve tek bir dil içinde. Yazarlar bunun yerine daha zor ve gerçekçi bir soruyu sordu: tek bir sistem, çok basit konuşma seslerini farklı dillerde dinleyip aynı anda insanları üç gruba ayırabilir mi?

Araştırmacıların Sesleri Nasıl Topladığı ve Şekillendirdiği

Ekip, mobil cihazlarda kaydedilmiş iki büyük ses veri kümesini birleştirdi. mPower projesinden olan bir küme, Parkinson’lu İngilizce konuşmacıları ve sağlıklı gönüllüleri içeriyordu. Diğer küme olan COPDVD ise KOAH’lı İsveççe konuşmacıları ve eşleştirilmiş sağlıklı kontrolleri içeriyordu. Grupları karşılaştırılabilir kılmak için araştırmacılar benzer sayıda erkek ve kadın, yakın yaşlar ve kayıt sayıları seçerek dikkatli bir seçki yaptı; sonuçta 96 kişi ve 1.723 kullanılabilir “aa” kaydı elde ettiler. Sessiz bölümleri çıkardılar, ardından her kaydı perde, pürüzlülük gibi temel ses ölçülerini ve Mel Frekans Kepstral Katsayıları (MFCC) olarak bilinen ayrıntılı spektral parmak izlerini yakalayan 102 sayılık bir betime dönüştürdüler.

Oy Veren Bir Algoritma Takımını Eğitmek

Araştırmacılar tek bir makine öğrenimi yöntemine güvenmek yerine dört farklı sınıflandırıcıdan oluşan bir “oy veren kurul” kurdular. Her algoritma bir kaydın özellik setini dinledi ve bunun Parkinson, KOAH ya da sağlıklı kontrol olup olmadığına dair kendi tahminini ve her seçenek için olasılığını üretti. Bu olasılıklar daha sonra ortalanarak nihai yanıtın kurulun uzlaşmasını yansıtması sağlandı. Aşırı uyumla kendilerini yanıltmamak için ekip katı bir eğitim stratejisi uyguladı: modeller veri katmanlarında ayrı ayrı defalarca ayarlandı ve test edildi, nihai performans ise eğitim sırasında algoritmaların hiç görmediği ayrı bir kişi kümesi üzerinde değerlendirildi.

Sistem Seslerde Neler Duydu

Bu bağımsız test kümesinde topluluk yaklaşık %84 genel doğruluk ve dengelenmiş F1 skorunda 0,84’ün hemen altında bir sonuç elde etti; bu da örneklem boyutlarındaki farklılıklara rağmen üç grup genelinde iyi performans gösterdiği anlamına geliyor. Sistem özellikle Parkinson hastalığını saptamada iyiydi; Parkinson en yüksek hassasiyet ve geri çağırma değerlerini sergiledi. Sağlıklı sesler orta düzeyde sınıflandırıldı, KOAH sesleri ise en zor tanımlananlardandı ve en sık sağlıklı kayıtlarla karıştırıldı. Dikkate değer şekilde Parkinson ve KOAH nadiren birbirine karıştı; bu, her ikisi de anormal olsa da, vokal imzalarının algoritmaların algılayabileceği biçimde farklı olduğunu öne sürüyor. Araştırmacılar ünlülerin rezonans frekanslarının tanımladığı akustik “alanı” nasıl doldurduğunu incelediklerinde, diller farklı olsa bile üç grup arasında ince ama tutarlı kaymalar ve dağılımlar buldular.

Siyah Kutunun İçine Bir Göz Atmak

Sistemin kararlarını neyin yönlendirdiğini anlamak için ekip, her ses özelliğine bir etki skoru atayan modern bir açıklama aracı kullandı. En önemli akustik özelliklerin her grup için aynı olmadığını keşfettiler. Yaş, ayrıntılı spektral şekiller ve perdeyle ilgili ölçümler hepsi önem taşıyordu, ancak Parkinson, KOAH ve sağlıklı kontroller için farklı kombinasyonlarda. Örneğin bazı spektral tanımlayıcılar ve formant desenleri KOAH’da daha etkiliyken, belirli spektral ve perde ipuçları Parkinson’da daha belirgin rol oynadı. Bu modelin, bir sesin “tuhaf” olduğunu tespit etmekten öte, insanların sürdürülen bir ünlüyü üretme biçimlerindeki hastalığa özgü yönleri gerçekten öğrendiğini gösteriyor.

Günlük Bakım İçin Anlamı Ne Olabilir

Basitçe söylemek gerekirse bu çalışma, sıradan bir mobil cihazla kaydedilen kısa bir sürdürülen “aa”nın dikkatle tasarlanmış bir makine öğrenimi sistemi için beyinle ilgili ve akciğerle ilgili ses sorunlarını normal yaşlanma seslerinden ayırmaya yetecek kadar bilgi içerebileceğini gösteriyor. Yaklaşım tıbbi tanının yerini almaz ve daha büyük, daha çeşitli çalışmalar gereklidir, ancak farklı diller ve ortamlarda hızlı, invaziv olmayan ses taramalarının Parkinson veya KOAH’lı kişilerin taranmasında ve izlenmesinde kliniklere destek olabileceği bir geleceğe işaret ediyor.

Atıf: Idrisoglu, A., Behrens, A. Use of machine learning and voice for multiclass classification of Parkinson’s disease, chronic obstructive pulmonary disease, and healthy controls. Sci Rep 16, 15485 (2026). https://doi.org/10.1038/s41598-026-53409-3

Anahtar kelimeler: Parkinson hastalığı, KOAH, ses biyobelirteci, makine öğrenimi, mobil sağlık