使用卷积神经网络训练模拟宽带声敏度数据对耳硬化和脱节进行分类的初步结果

科学领域:

• 听力学和耳鼻喉学
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 目前的非侵入性方法在诊断导电性听力损失的原因中耳病理时缺乏确定性.
• 宽带声速率 (WAI) 是一个有希望的,客观的诊断工具,但由于个人间的数据变化而面临挑战.
• 机器学习,特别是卷积神经网络 (CNN),需要大量的标记数据,这对于罕见的中耳疾病来说很少.

研究的目的:

• 开发一种模拟WAI数据的方法,以训练CNN诊断中耳病理.
• 为了克服数据稀缺问题,用于训练听力学中的机器学习模型.
• 为了评估CNN在模拟的WAI数据上训练的耳硬化和脱节的诊断性能.

主要方法:

• 利用有限元耳朵模型和蒙特卡洛方法来模拟虚拟群体的WAI数据.
• 生成虚拟群体,代表正常,耳硬化和脱节的耳朵,匹配人口平均值和个体特征.
• 使用模拟的WAI数据训练了CNN,并使用AUC,灵敏度和特异性评估了其诊断性能.

主要成果:

• 在模拟数据上训练的CNN达到91.1%的耳硬化AUC和99.5%的脱节AUC.
• 对耳硬化症的敏感性和特异性分别为85.7%和85.2%;对于脱节,它们分别为100%和93.1%.
• 估计在两种病理中都有~99%的特异性的潜力,此外还添加了杆反射值测量.

结论:

• 使用有限元和蒙特卡洛方法模拟WAI数据为训练CNN提供了一种可行的方法.
• 这种方法在诊断罕见或早期中耳病理方面具有显著的潜力,与在真实数据上训练的模型可比.
• 需要进一步临床评估更多的数据和病理,以充分评估这种方法的临床实用性.