基于机器学习的中耳固定和分离的分类,使用反映中耳动态的扫频阻抗信息来进行中耳固定和分离
Teruki Toya1,2, Hisashi Sugimoto3, Di Zhou2
1Faculty of Engineering, Graduate School Department, University of Yamanashi, Kofu, 400-8511, Japan.
The Journal of the Acoustical Society of America
|May 13, 2025
概括
一个新的扫射频阻抗 (SFI) 计增强了中耳分析. 应用于SFI数据的机器学习准确地预测了骨链的固定和分离,优于传统的耳计.
科学领域:
- 耳声学排放和中耳分析
- 生物医学工程 生物医学工程
- 诊断技术 诊断技术的使用
背景情况:
- 扫频阻抗 (SFI) 计通过测量响应频率扫动声音的声压变化来分析中耳动态.
- 之前的研究表明,SFI可以通过2D移动性地图来诊断骨固定和分离,但缺乏具体的分类标准.
- 临床应用受到二维移动图中的重叠数据的阻碍,需要改进诊断方法.
研究的目的:
- 开发和验证一种基于机器学习的方法,用于使用从SFI测量中获得的2D特征来预测中耳功能障碍.
- 提高SFI测量用于诊断骨链异常的准确性和临床适用性.
- 为了比较拟议的机器学习方法的诊断性能与传统声计.
主要方法:
- 更新SFI计,以实现更高的信号噪声比,用于检测声压变化.
- 使用更新的设备,对正常耳朵和受损耳朵进行SFI测量.
- 应用机器学习算法来分析2D移动地图特征,以预测中耳功能障碍.
主要成果:
- 骨链固定预测准确度为0.8,AUC值为0.86.6,骨链固定预测准确度为0.8,AUC值为0.86.
- 骨链分离的预测准确度很高 (1.0),AUC值为1.0.
- 基于机器学习的SFI方法在预测潜力方面比传统声计具有更高的潜力.
结论:
- 拟议的机器学习方法有效地利用2D SFI特征来准确预测中耳功能障碍.
- 这种新的方法显著有望改善骨链固定和分离的诊断.
- 增强的SFI计和机器学习集成为中耳病理提供了更准确的诊断工具.
