可解释的机器学习与多模式听力数据用于诊断内淋巴体水
Xu Liu1,2, Qin Sun1,2, Suming Shi1,2
1ENT Institute, Department of Otorhinolaryngology, Eye & ENT Hospital, Fudan University, Shanghai, 200031, China.
Head & face medicine
|December 23, 2025
概括
将电心电图 (ECochG) 和纯色音量计 (PTA) 数据集成到机器学习模型中,可以显著改善内淋巴水 (EH) 诊断. 这种多模式的方法提高了早期临床检测和管理的准确性.
科学领域:
- 听力学 听力学是指听力学.
- 医学机器学习 医学机器学习
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 内淋巴水 (EH) 诊断依赖于临床评估,往往缺乏客观措施.
- 电心电图 (ECochG) 和纯色音量计 (PTA) 提供听觉数据,但仅在诊断EH方面存在局限性.
研究的目的:
- 评估ECochG用于识别EH的诊断实用性.
- 通过将ECochG和PTA数据集成到机器学习 (ML) 模型中来提高诊断准确性.
- 为了提高ML模型对EH诊断的临床解释性.
主要方法:
- 78名怀疑患有EH的患者 (156个耳朵) 的前性队列研究.
- 进行了ECochG和PTA检查.
- 多模式听觉数据被用于开发和验证ML模型,包括光梯度增强机 (LightGBM).
主要成果:
- 单独使用ECochG的模型显示诊断性能有限 (AUC最大为0.61).
- 将多式联运数据集成到机器学习模型中,大大提高了性能.
- 轻GBM模型实现了0.92的AUC和0.73的准确性来预测EH分布.
结论:
- 集成到可解释的ML模型中的多模式听觉数据显著提高了EH诊断的准确性.
- 这种方法为早期EH诊断和管理提供了一个客观的框架.
- 由于研究的局限性,需要对更大的多中心队列进行进一步验证.
