机器学习模型可以预测耳声和噪音引起的听力损失
Zahra Jafari1,2,3,4,5, Ryan E Harari6,7,5, Glenn Hole8
1School of Communication Sciences and Disorders (SCSD), Dalhousie University, Halifax, Nova Scotia, Canada.
Ear and hearing
|May 6, 2025
概括
机器学习模型有效地区分着耳和听力损失类型. 人工神经网络在预测耳方面表现出色,而随机森林模型准确地区分了与年龄相关的听力损失引起的噪音.
科学领域:
- 听觉科学是一种听觉科学.
- 医疗人工智能的人工智能
- 诊断技术 诊断技术 诊断技术
背景情况:
- 机器学习 (ML) 在健康科学中的应用广泛用于预测和分类.
- 然而,ML用于区分听力障碍的使用是有限的.
- 这项研究解决了诊断耳和区分噪音引起的听力损失 (NIHL) 和与年龄有关的听力损失 (ARHL) 的差距.
研究的目的:
- 评估五种ML模型在区分耳与非耳的有效性.
- 评估ML模型区分NIHL和ARHL的能力.
- 确定用于听力障碍诊断的最佳ML模型.
主要方法:
- 利用了928名加拿大成年人 (30-100岁) 诊断出ARHL或NIHL的数据.
- 应用了五种ML模型:人工神经网络 (ANN),K-最近邻居,后勤回归,随机森林 (RF) 和支持向量机器.
- 分析了听力学和人口统计数据,重点关注听力损失模式和耳发病率.
主要成果:
- 与ARHL (8.85%恒定,10.86%间歇) 相比,NIHL组 (27.85%恒定,18.55%间歇) 的耳发病率是NIHL组的两倍多.
- 与ARHL相比,NIHL在中高频段的听力损失显著增加.
- ANN在耳预测方面实现了70%的准确性;RF在NIHL与ARHL差异化方面实现了90%的AUC.
结论:
- ML模型,特别是ANN和RF,提高了对耳和NIHL的诊断精度.
- 研究结果表明,可以在临床听力学中整合ML的框架.
- 未来的研究应该扩大数据集,并纳入纵向数据以获得更广泛的适用性.
