相关实验视频
Updated: Sep 12, 2025
09:44
Neuro-rehabilitation Approach for Sudden Sensorineural Hearing Loss
Published on: January 25, 2016
19.3K
揭示神经感官听力损失中的表型:对无监督机器学习方法的系统审查
Lilia Dimitrov1,2, Liam Barrett1,2, Aizaz Chaudhry3
1University College London Hospital (UCLH) Biomedical Research Centre (BRC) Hearing Theme, London, United Kingdom.
Ear and hearing
|August 7, 2025
概括
无监督机器学习显示出对分类感应神经听力损失 (SNHL) 亚型的承诺. 然而,目前的研究质量很低,这阻碍了对模型选择和亚型识别的最终结论.
科学领域:
- 听力学 听力学是指听力学.
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 感官神经听力损失 (SNHL) 影响全球超过15亿人.
- 准确的SNHL亚型确定对于开发个性化治疗至关重要.
- 无监督机器学习 (AI) 为SNHL分类提供了一个潜在的解决方案.
研究的目的:
- 系统地审查无监督机器学习模型在识别SNHL亚型中的应用.
- 综合现有的关于人工智能驱动的SNHL分类方法的文献.
主要方法:
- 在多个数据库 (MEDLINE,EMBASE,Scopus等) 进行系统的文献搜索. 和灰色文学.
- 纳入标准:成年SNHL患者,无监督机器学习方法.
- 使用APPRAISE-AI工具进行质量评估;对结果进行叙事综合.
主要成果:
- 七项研究符合纳入标准;大多数是队列研究.
- 确定了四种不同的无监督机器学习算法.
- 确定的亚型各不相同 (4和11),但研究质量较低,无法得出明确的结论.
结论:
- 需要改进方法来实现AI在SNHL亚型化中的潜力.
- 未来的研究应该专注于证明模型选择的合理性,确保可重复性,使用高质量的数据,并验证发现.
