噪声引起的听力损失（NIHL）越来越被全球工人面临的最紧迫的问题之一。伤害通常是由于不适合耳朵保护而延长了大声环境的暴露，从而导致不可逆转的损害。Yantaishan医院的一项开创性研究试图通过采用高级机器学习技术与功能和结构磁共振成像（MRI）结合使用高级机器学习技术来彻底改变NIHL的诊断过程。
这项研究的主要目标是开发一个精致的分类模型，能够准确区分患有NIHL和健康对照的个体。研究人员从本质上整合了各种MRI措施，重点是功能性MRI（fMRI）的低频波动（ALFF）和区域均匀性（REHO），以及结构MRI的灰质体积（GMV）以及皮质厚度（SMRI）。
从历史上看，长时间噪声暴露造成的听力损失是早期诊断的挑战。该文章的作者说：“尽管NIHL造成的听力损失是不可逆转的，但它是可以预防的。研究表明，早期干预是长期保护的关键，这使得准确，及时的诊断更加重要。”
创新方法导致了多个机器学习算法的利用，包括支持向量机（SVM），随机森林（RF）和逻辑回归（LR）。其中，SVM模型成为最有效，令人印象深刻的统计数据：95％的分类准确性和接收器操作特性曲线（AUC）下的面积为0.97。
机器学习与MRI Technologies的集成为NIHL诊断提供了有希望的工具。该研究强调了功能磁共振成像指数对改善患者识别的不同贡献。作者指出，“ FMRI组合指数通过LASSO回归分析导致了42个特征值提取42个特征值。”强调了高级分析技术的作用。
该研究涉及66名NIHL患者和66名年龄，性别和教育匹配的健康对照，所有这些对照均进行了严格的MRI测试程序。根据国家职业卫生标准制定的严格标准选择参与者，以确保调查结果的可靠性。
初步结果强调了fMRI措施补充传统诊断工具的潜力。通过采用LASSO回归进行功能选择，作者能够简化数据，仅保留最预测的指标，从而显着增强了分类模型。
值得注意的是，诸如梭形回和颞极的区域成为与大脑内听觉处理有关的关键区域。SVM模型的分析表明，这些区域可能对听觉疾病的未来研究有助于。
尽管这些有希望的结果，但该研究还是承认了某些局限性，例如相对较小的样本量和涉及的集中人群。研究人员主张多中心合作的重要性，以加强发现并提高模型的普遍性。
这项新的研究标志着将先进的成像技术与机器学习相结合以准确诊断NIHL的重要步伐，不仅有望增强患者的预后，而且还提供了对高危人群的有价值的预防策略。研究人员对这种方法的未来及其在其他听觉研究环境中的潜在应用保持乐观。