Stimm- statt Blutprobe

KI soll Krankheiten früh akustisch erkennen

KI-baiserte Geräte könnten in Zukunft in der Lage sein zu erkennen, ob der Sprecher krank ist – und das besser als das menschliche Ohr.(Bild: Brahim - stock.adobe.com)

Mit Künstlicher Intelligenz ausgestattete Geräte wie Smartphones könnten künftig eine zentrale Rolle in der Optimierung medizinischer Diagnostik spielen. Forschende der Med Uni Graz wollen mit KI-basierter Analyse von Sprach- und Atemgeräuschen Krankheiten und Entwicklungsstörungen erkennen – und damit die Blut- durch Stimmproben ersetzen.

Aufmerksame Eltern können am Klang der Stimme ihrer Kinder erkennen, ob eine Erkältung im Anmarsch ist, oder sich ein Husten „nicht gut“ anhört. Wenn Geräte wie Smartphones oder Sprachassistenten mithilfe ihrer Künstlichen Intelligenz mittlerweile „hören und verstehen“, könnten sie in Zukunft auch in der Lage sein zu erkennen, ob der Sprecher krank ist – und das besser als das menschliche Ohr.

Mit dieser Thematik setzen sich der auf Stimmakustik und maschinelles Lernen spezialisierte Grazer Toningenieur Florian Pokorny und die klinische Linguistin Katrin Bartl-Pokorny, beide an der Klinischen Abteilung für Neonatologie & Klinische Abteilung für Phoniatrie der Med Uni Graz, auseinander.

„Der Mensch hört die Stimmen von gesunden und kranken Menschen und lernt, dass es Unterschiede beispielsweise in der Rauheit, Tonhöhe oder Lautstärke gibt. Ärzte verwenden zusätzlich ein Stethoskop, um Lungen- und Herztöne zu hören und ihre Schlüsse daraus zu ziehen. Ein Computer könnte ohne Ermüdung aus einer riesigen Menge an Beispieldaten der Sprachaufzeichnung lernen, das erlernte Wissen speichern und es im Laufe der Zeit nicht vergessen“, erklärte Pokorny.

Hinzu kommt, dass Computer Tausende von akustischen Merkmalen aus einem Sprachsignal extrahieren können oder Bilder (Spektrogramme) aus einem Sprachsignal generieren, die die Informationen aus mehreren akustischen Merkmalen kombinieren.

Bessere Diagnosen
Die Vorteile dieser sogenannten Computer-Audition (CA) – der Einsatz von KI zur Analyse von Sprach- und Atemgeräuschen – sind vielfältig. Ärzte könnten mit den Informationen möglicherweise die Genauigkeit ihrer Diagnosen erhöhen, Fehldiagnosen reduzieren, Krankheiten früher diagnostizieren und unangenehme Untersuchungen für Patienten reduzieren.

Grundbedingung zum Aufbau solcher CA-Systeme zur Krankheitserkennung sei, dass Personen unterschiedlichen Alters und Geschlechts mit und ohne Krankheit Stimm-, Husten oder Atemproben zur Verfügung stellen, aus denen das System lernen kann, betonte der Grazer Forscher. Er hat jüngst Ergebnisse seiner eigenen Forschung und die seiner Fachkollegen unter dem Titel „Hey Smartphone, am I ill?“ in der Zeitschrift „Frontiers in Young Minds“ veröffentlicht.

„Schreibabys“ im Fokus der Grazer Forschenden
Pokorny selbst untersucht die Akustik des ersten Schreis von Termin- und Frühgeborenen anhand zahlreicher Signalparameter. Auf Basis der hörbaren Unterschiede und mithilfe von KI will er letztlich stimmbasiert Hinweise zur Früherkennung von Erkrankungen im frühen Kindesalter finden. Diese reichen von derzeit spät erkannten Entwicklungsstörungen wie der Autismus-Spektrum-Störung bis hin zur Sprachentwicklung von „Schreibabys“.

In einer Pilotstudie wird das Weinen der „Schreibabys“ – also Babys, die besonders viel weinen und sich schwer beruhigen lassen – mithilfe von KI genauer untersucht: „Babys mit Regulationsproblemen – sogenannte Schreibabys – weinen laut Definition zumindest über eine Dauer von mindestens drei Wochen an mindestens drei Tagen pro Woche drei oder mehr Stunden“, erklärte Pokorny.

Studien hätten bereits gezeigt, dass Kinder, die als Babys Regulationsprobleme hatten, später häufiger Verhaltens- und Entwicklungsauffälligkeiten haben als Kinder, die das nicht hatten. In einer laufenden Pilotstudie mit Babys im Alter ab acht Wochen versucht das Team um Pokorny herauszufinden, ob sich ihre Laute von denen anderer Babys unterscheiden.

Aus der Analyse der Vokalisationen von Babys mit Regulationsproblemen will man Hinweise auf Abweichungen im vorsprachlichen Verhalten von Kindern mit Regulationsproblemen finden. Dies könnte wiederum Hinweise liefern, wie Babys, die ein erhöhtes Risiko tragen, frühzeitig identifiziert werden.