一种基于机器学习的方法来预测渐进性听力损失的早期特征

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 遗传学 遗传学 是一个

背景情况:

• 与年龄相关的听力损失 (ARHL) 是成年人普遍存在的感官缺陷,但早期诊断仍然具有挑战性.
• 目前对ARHL的诊断方法可能无法检测到微妙的,早期的变化.
• 机器学习 (ML) 提供了分析复杂的生物数据以识别早期疾病标志物的潜力.

研究的目的:

• 研究ML在小鼠模型中早期检测ARHL的实用性.
• 评估ML模型在具有或没有ARHL遗传倾向的小鼠之间区分能力.
• 探索ML对预测ARHL进展速度的能力.

主要方法:

• 从C57BL/6N小鼠中记录了听觉脑干反应 (ABR),这些小鼠具有早期发病的ARHL (Cdh23^ahl等位基因) 和对照小鼠 (Cdh23+).
• 各种ML分类器经过训练和评估,以根据ABR数据区分这两种基因型.
• 沙普利值用于特征重要性分析,以确定ABR关键特征进行分类.

主要成果:

• ML模型在1个月大时准确地识别了具有Cdh23^ahl等位基因的小鼠,在明显听力损失之前.
• 机器学习分类性能超过了人类专家.
• 特性重要性分析强调了微妙的ABR波1差异作为关键的歧视因素.
• 回归模型从早期的ABR记录中成功预测了未来ARHL进展率.

结论:

• 通过检测微妙的听觉变化,ML技术显示了ARHL早期诊断的巨大潜力.
• ML可以识别有ARHL风险的个体,并预测疾病的进展.
• 这些发现表明,ML可以提高未来人类ARHL治疗的疗效.