在个性化耳植入中实现优化结果的解剖学考虑

科学领域:

• 耳鼻喉科 耳鼻喉科 耳鼻喉科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 耳植入器对于严重的听力损失是有效的.
• 最佳的结果取决于精确的电极阵列插入.
• 耳解剖学的变异性需要使用成像技术进行仔细的手术规划.

研究的目的:

• 评估解剖学因素和插入深度对耳植入物电极阵列插入角度的影响.
• 评估机器学习模型在预测最佳插入参数方面的实用性.

主要方法:

• 分析了558名耳植入患者的手术前和手术后CT和CBCT数据.
• 研究解剖学因素,插入深度和插入角度之间的相关性.
• 开发和评估用于预测的机器学习模型.

主要成果:

• 机器学习模型可以预测最佳电极阵列角度的插入深度.
• 随着包括耳维度,模型性能得到了改善.
• 使用插入深度的线性回归模型解释了88%的变化;添加耳维度将预测改进到94%.

结论:

• 机器学习模型为优化耳植入器手术提供了宝贵的工具.
• 整合患者特定的耳尺寸可以提高电极阵列放置的预测准确性.
• 这些模型可以帮助选择合适的电极阵列,以满足所需的插入角度.