一种混合深度学习方法来识别可预防的儿童听力损失

科学领域:

• 医学技术 医学技术 医学技术
• 医疗保健中的人工智能
• 耳鼻喉科 耳鼻喉科 耳鼻喉科

背景情况:

• 儿童听力损失具有严重的终身后果.
• 与感染相关的听力损失不成比例地影响着服务不足的社区.
• 早期发现和治疗是预防听力损失的关键.

研究的目的:

• 为了评估机器学习用于自动耳图谱分类.
• 在资源有限的地区,促进非专业人士指导的 tympanometry.
• 改善儿童中耳疾病的早期检测.

主要方法:

• 开发了一种混合深度学习模型来分类 tympanometry 追踪.
• 该模型在来自1635名儿童的4810个跟踪上进行了训练和验证.
• 听力学家的解释作为分类的参考标准 (A,B,C类型).

主要成果:

• 机器学习模型在非专业人士获得的数据上实现了高诊断性能 (灵敏度:95.2%,特异性:92.3%).
• 听力学家获得的数据的表现也很好 (AUC:0.987,特异性:97.7%).
• 该模型的性能优于现有的自动耳计分类器.

结论:

• 机器学习可以准确地从 tympanograms 检测中耳疾病,与听力学家的表现相当.
• 自动分类支持非专业人士指导的耳 tympanometry 在服务不足的社区进行听力查.
• 早期发现可治疗的儿童听力损失对于预防长期不良影响至关重要.