OC
英语轻松读发新版了，欢迎下载、更新

预测人工耳蜗性能：超越单一生物标志物并利用人工智能

2025-01-06 13:59:12 英文原文

Matthew Shew、Amit Walia 和 Craig A. Buchman 强调，人工耳蜗用户语音感知的显着差异可以通过使用多方面的方法来解决，该方法结合了机器学习和人工智能等新兴技术来改进结果预测模型

人工耳蜗 (CI) 是最成功的神经假体之一，可提供离散频率和强度的电刺激，以恢复听力、改善言语理解并提高生活质量。尽管它们具有变革性的影响，但仍然存在一个重大挑战：CI 用户的语音感知结果存在巨大差异。(1)虽然目前的方法擅长识别患有严重听力损失的个人，从而识别出强大的 CI 候选者，但它们在预测每个接收者将从该设备中获得的益处程度方面却表现不佳。这种限制阻碍了个性化护理，并强调了对更先进的预测工具的需求。

在华盛顿大学 (WashU)，我们的 CI 研究项目正在通过旨在完善 CI 结果预测模型的多方面方法来应对这一挑战。传统的术前变量，例如人口统计数据和听力史，在预测结果方面的效用有限，促使我们探索替代策略。(2-4)例如，测量耳蜗健康状况的耳蜗电图​​ (ECochG) 技术已被证明可以解释 40-50% 的 CI 表现变异性。(2-4)此外，利用实时电生理测量使我们能够开发针对患者的电极测绘和编程策略，进一步定制 CI 体验。(5)

我们工作的下一个前沿是将大数据和人工智能 (AI) 技术（例如机器学习和深度学习）集成到 CI 医疗保健中。与专注于单一或有限特征来解释变异性的传统回归模型不同，人工智能能够分析复杂的多维数据集，而不受线性关系、数据源或数据类型的约束（图 1）。这些功能使人工智能能够揭示传统方法可能忽视的不同临床和生物输入的模式和相互作用。

听觉系统级病理生理学和 CI 结果的交叉点为应用基于人工智能的方法提供了理想的前景。通过整合异构数据集，包括 ECochG 指标、认知评估、成像、人口统计和手术变量，人工智能有可能以以前无法实现的方式改善风险分层和结果预测。这种从单一生物标志物依赖到人工智能驱动的整体建模的转变，使我们更接近于在华盛顿大学的人工耳蜗植入领域实现真正的精准医学，最终改善患者护理并优化每个人的 CI 表现。

Figure 2: Calibration curves and distribution of model probabilities predicting dichotomous outcomes at 6-months post-implantation. Calibration curves for models’ prediction whether patients will perform above or below 40th percentile of performance for 6-month change (Δ)in CNC (ΔCNC ≤ 32%) and 6-month change (Δ) in AzBio sentences (ΔAzBio ≤ 32%). Machine learning (bottom) demonstrates superior calibration compared to gold-standard logistic regression models. Histograms along the x-axis represent the distribution of probability outputs from each respective model. A probability of 0.5 indicates random prediction, whereas probabilities of 0.1 or 0.9 indicate superior model confidence. Machine learning show greater confidence across the prediction spectrum making a more clinically relevant model.
图 2：校准曲线和模型概率分布预测植入后 6 个月的二分结果。模型的校准曲线 — 预测患者的 CNC 6 个月变化 (Î)（ÎCNC — 32%）和 AzBio 6 个月变化 (Î) 的表现是否高于或低于 40%句子（ÎAzBio — 32%）。与黄金标准逻辑回归模型相比，机器学习（底部）展示了卓越的校准能力。沿 x 轴的直方图表示每个模型的概率输出的分布。概率为 0.5 表示随机预测，而概率为 0.1 或 0.9 表示模型置信度较高。机器学习在整个预测范围内表现出更大的信心，从而形成更具临床相关性的模型。

机器学习 CI 预测建模的潜力

在华盛顿大学，我们利用迄今为止最大的 CI 数据集之一（包含 2,200 多名 CI 接受者），仅根据术前特征来预测 6 个月的 CNC 单词和 AzBio 句子评分。

为了评估机器学习方法的附加价值，我们将其性能与传统回归模型进行了比较，并以 Lazard 等人的一项具有里程碑意义的研究为基准。（2012）。(6) 我们的分析重点是校准曲线和准确度热图，评估模型预测性能五分位数的能力，重点是区分表现最好和最差的人。研究结果凸显了与传统回归方法相比，基于机器学习的模型在发现 CI 性能的新子类别方面具有巨大潜力。

校准曲线证明基于 ML 的模型具有增强的可靠性和预测价值（图 2）。标准回归技术将超过 69% 的预测集中在 0.30 - 0.60 概率范围内（类似于抛硬币），而 ML 模型提供了更广泛的概率分布。例如，基于 ML 的模型在低（例如 0.10 或 0.20）和高（例如 0.80 或 0.90）概率范围内产生更大比例的预测，从而实现更具临床可行性的框架（图 2）。这种更广泛的概率分布支持卓越的校准，并凸显了机器学习提供具有更高临床相关性的预测的潜力。

为了进一步探索基于 ML 的模型作为 CI 医疗保健路径中的决策支持工具，我们构建了准确性热图，以可视化它们预测 delta (Î) AzBio 句子性能五分位数的能力（图 3）。通过优先考虑前三分之一概率的预测，我们利用机器学习模型的卓越校准来提供以临床为重点的决策模型，但代价是仅适用于三分之一的患者。这种方法表明，机器学习方法在识别表现最低和最高的类别方面优于传统回归。例如，机器学习模型在预测 γAzBio 性能最低五分位数（±20%；γAzBio ±13%）方面达到了 63% 的准确度，而逻辑回归模型的准确度为 33%。

最后，基于机器学习的模型在识别未遂事件（例如落入第二个五分位数的患者）方面展现了创新，提供了对以前无法识别的 CI 表现亚组的见解。例如，当预测患者处于 ÎAzBio 性能最低五分位数时，ML 模型达到了 63% 的准确率，同时还捕获了第二个五分位数中的 26%，总共确定了 89% 的可能性实现 ÎAzBio Τ¤32%。这些结果强调了机器学习在 CI 预测建模中的变革潜力。通过对患者结果进行更准确的分层，机器学习提供了一条个性化 CI 护理的途径，改善了临床决策，并为提高患者结果的定制干预措施铺平了道路。

Figure 3. Accuracy Heatmaps for delta (Δ) AzBio sentences logistic regression and machine learning prediction models. Machine learning model demonstrates superior performance compared to logistic regression in predicting ΔAzBio sentences quintiles of performance (based on equal distribution of the 20th percentile of performance). The X-axis represents the predicted quintile, while the Y-axis represents the actual quintile of performance. A perfect model would show 100% accuracy along the diagonal line. All models integrated model probability into its final output based on calibration curves, filtering out the bottom two thirds of probabilities only incorporating top third of prediction probabilities.
图 3. delta (δ) AzBio 句子逻辑回归和机器学习预测模型的准确度热图。与逻辑回归相比，机器学习模型在预测 ÎAzBio 句子五分位数性能方面表现出优越的性能（基于性能第 20 个百分位数的平均分布）。X 轴代表预测的五分位数，而 Y 轴代表实际的绩效五分位数。完美的模型沿对角线显示 100% 的准确度。所有模型都根据校准曲线将模型概率集成到其最终输出中，过滤掉底部三分之二的概率，仅包含顶部三分之一的预测概率。

展望未来

在最近的系列中（请参阅进一步阅读），我们在华盛顿大学的 CI 研究项目采用了全面、多管齐下的方法来预测任何个体接受者的 CI 表现。我们的研究结果强调，理想的预测模型必须整合多种生物标志物，包括耳蜗健康 (ECochG-TR)、认知功能、频率与位置不匹配、患者特定因素以及传统的术前变量。(7)

通过构建迄今为止最广泛、最详细的 CI 数据集并结合这些新颖的功能，我们的目标是利用基于人工智能的方法来完善我们对表现子类别的理解和预测，以进行个性化患者咨询、听觉康复的设计和推荐以及考虑与设备相关的性能不佳（例如，绘图、故障排除、早期设备故障），以及最终对 CI 临床试验进行适当的分层。这项工作有可能彻底改变患者护理，为每位患者提供真正个性化的预测并优化 CI 结果。

参考

  1. 秀 M、赫尔佐格 JA、布赫曼 CA。人工耳蜗最适合谁？JAMA 耳鼻喉头颈外科。2020 年 7 月 1 日；146(7):603-604。土井：https://doi.org/10.1001/jamaoto.2020.0678
  2. Walia A、Shew MA、Kallogjeri D 等人。耳蜗电图和认知是人工耳蜗植入者在噪声中言语感知结果的重要预测因素。科学报告，2022 年 2 月 23 日；12(1):3083。土井：https://doi.org/10.1038/s41598-022-07175-7
  3. Walia A、Show MA、Lee DS 等人。海岬耳蜗电图记录可预测人工耳蜗植入者的言语感知表现。奥托·神经托尔。2022 年 9 月 1 日；43(8):915-923。土井：https://doi.org/10.1097/mao.0000000000003628
  4. Walia A、Shew MA、Lefler SM 等人。影响人工耳蜗植入成人表现的因素：认知和残余耳蜗功能的作用。耳科和神经耳科。9900；
  5. 瓦利亚 A、奥特曼 AJ、莱弗勒 S 等。基于耳蜗电图的音位图：I. 听力损失的人类耳蜗的位置编码。耳闻。2024 年 9 月 5 日；doi：https://doi.org/10.1097/aud.0000000000001579
  6. Lazard DS、Vincent C、Venail F 等。影响语言后聋成人使用人工耳蜗表现的术前、术中和术后因素：随时间变化的新概念模型。公共科学图书馆一号。2012；7(11)：e48739。土井：https://doi.org/10.1371/journal.pone.0048739
  7. Dang S、Kallogjeri D、Dizdar K 等。个别患者的合并症及其对人工耳蜗性能的影响。奥托·神经托尔。2024 年 2 月 29 日；doi：https://doi.org/10.1097/mao.0000000000004144

进一步阅读

  1. 预测人工耳蜗性能：人口统计学、听力学、手术因素和耳蜗健康的影响
  2. 认知功能和电极映射在人工耳蜗性能中的作用
  3. 人工耳蜗植入效果的听力和听觉研究

关于《预测人工耳蜗性能：超越单一生物标志物并利用人工智能》的评论

暂无评论

发表评论



摘要

### 预测人工耳蜗性能：综合方法人工耳蜗 (CI) 性能的预测是一项复杂的任务，需要整合多个因素来提供个性化咨询并优化患者治疗结果。华盛顿大学医学院 CI 研究的最新进展凸显了将各种生物标志物、认知功能和残余耳蜗健康纳入预测模型的重要性。#### 主要发现1. **耳蜗电图 (ECochG) 和残余耳蜗功能：**- 耳蜗电描记术已成为预测 CI 接受者在噪声中言语感知结果的重要工具。瓦利亚等人。(2022) 证明 ECochG 录音是言语表现的有力预测因素，强调了残余耳蜗健康的重要性。2. **认知功能：**- 认知因素显着影响 CI 表现。Shew 及其同事（2020）强调需要将认知功能与传统的术前变量一起考虑，以提高预测准确性。3. **频率与地点不匹配：**- 频率与位置不匹配可测量听觉神经纤维和人工耳蜗电极之间的差异，在 CI 性能中起着至关重要的作用。未来的模型将整合这一因素以进一步完善预测（Dang 等人，2024）。#### 综合模型为了开发更准确的 CI 表现预测模型，华盛顿大学的研究人员采用了多方面的方法：1. **综合数据集：**- 创建包含各种生物标志物的广泛而详细的数据集至关重要。这些数据集包括 ECochG 记录、认知评估、频率与地点不匹配数据和传统的术前变量。2. **人工智能 (AI) 和机器学习：**- 基于人工智能的方法被用来分析这些复杂的数据集，从而能够识别导致 CI​​ 性能变化的复杂模式和关系。3. **个性化患者咨询：**- 预测模型将根据患者个人资料提供有关预期结果的定制信息，从而促进个性化咨询。4. **听觉康复建议：**- 预测模型的见解可以指导听觉康复计划的设计和推荐，确保患者在植入后获得最佳支持。5. **设备性能监控：**- 预测模型将有助于及早识别潜在的设备相关问题，例如映射问题或早期故障，从而实现及时干预和故障排除。6. **临床试验分层：**- 通过利用预测模型来识别具有特定需求和对不同治疗的反应的亚组，可以实现 CI 临床试验的增强分层。#### 未来的方向展望未来，重点仍是将更多的生物标志物和患者特异性因素整合到预测模型中。这包括：1. **患者合并症：**- 党等人。(2024) 强调了合并症对 CI 表现的影响，强调需要在未来的模型中考虑这些。2. **纵向研究：**- 长期跟踪研究对于了解各种因素如何随时间演变并影响长期结果至关重要。3. **跨学科合作：**- 耳鼻喉科医生、听力学家、神经科学家和数据科学家之间的合作将推动 CI 性能预测模型的进一步进步。＃＃＃＃ 结论预测 CI 表现的未来在于集成先进的生物标志物、认知评估和基于人工智能的分析，以创建全面的个性化模型。这些模型有可能通过为每个接受者提供量身定制的预测和优化结果来彻底改变患者护理。＃＃＃ 参考- Shew M、Herzog JA、Buchman CA。人工耳蜗最适合谁？JAMA 耳鼻喉头颈外科。2020 年 7 月 1 日；146(7):603-604。- Walia A、Shew MA、Kallogjeri D 等人。耳蜗电图和认知是人工耳蜗植入者在噪声中言语感知结果的重要预测因素。科学报告，2022 年 2 月 23 日；12(1):3083。- Dang S、Kallogjeri D、Dizdar K 等人。个别患者的合并症及其对人工耳蜗性能的影响。奥托·神经托尔。2024 年 2 月 29 日。### 进一步阅读- **预测人工耳蜗性能：人口统计、听力学、手术因素和耳蜗健康的影响**- **认知功能和电极映射在人工耳蜗性能中的作用**- **人工耳蜗植入结果的听力和听觉研究**

相关新闻

相关讨论