机器学习在基于纯音调听力测量的Meniere疾病评估中的应用

科学领域:

• 听力学和耳鼻喉学
• 人工智能在医学中的应用
• 医学诊断 医学诊断 医学诊断

背景情况:

• 梅尼尔病 (MD) 的诊断依赖于临床症状和听力学测试.
• 内淋巴体水 (EH) 是MD的一个关键病理特征.
• 准确和早期诊断MD和EH对于有效管理至关重要.

研究的目的:

• 开发和验证机器学习模型,用于自动诊断梅尼尔氏病 (MD).
• 使用基于听力测量数据的机器学习来预测内淋巴体水滴 (EH).
• 将机器学习模型的诊断性能与经验丰富的临床医生进行比较.

主要方法:

• 一项回顾性研究利用来自第三级医疗中心的数据.
• 纯色调听力测量的空气导电值的工程分析特征.
• 训练并评估了五种经典的机器学习模型,包括光梯度增强 (LGB).
• 与经验丰富的耳鼻喉科医生进行MD诊断的模型性能比较.

主要成果:

• 对于MD诊断,LGB模型实现了87%的准确度,83%的灵敏度和90%的特异性 (AUC为0.95).
• LGB模型以78%的准确度预测了EH,优于其他模型.
• 诊断和预测的关键特征包括低频率 (250 Hz) 的听力,听力图的峰值和听力变化.

结论:

• 一个高效的机器学习模型使用纯色调听力测量有效诊断MD.
• 开发的模型显示了预测EH亚型的潜力.
• 这种方法为MD查和诊断提供了一个具有成本效益的策略.