Разработка модели машинного обучения для диагностики болезни Меньера и прогнозирования эндолимфатического гидропса

В журнале Otolaryngology-Head and Neck Surgery было опубликовано научное исследование, в котором описана разработка модели машинного обучения на основе функций чистотональной аудиометрии. Эта модель может быть использована для диагностики болезни Меньера (БМ) и прогнозирования эндолимфатического гидропса (ЭГ).

Методы и данные исследования

В ходе исследования были собраны данные магнитно-резонансной томографии с усилением гадолинием и чистотональной аудиометрии. На основе порогов воздушной проводимости чистотональной аудиометрии были разработаны основные и многочисленные аналитические функции. Эти функции были использованы для обучения пяти классических моделей машинного обучения для диагностики БМ. Для прогнозирования ЭГ были выбраны модели с лучшими характеристиками.

Результаты исследования

Исследователи обнаружили, что модель машинного обучения с усилением градиента света (LGB) продемонстрировала выдающиеся результаты для диагностики БМ, достигнув точности 87%, чувствительности 83%, специфичности 90% и площади под кривой рабочей характеристики приёмника (AUC) 0,95. Эти результаты превосходят показатели опытных врачей.

Модель LGB также продемонстрировала точность прогнозирования ЭГ 78% и превзошла три другие модели.

Ключевые функции чистотональной аудиометрии

Конкретные функции чистотональной аудиометрии, которые необходимы для диагностики БМ и прогнозирования ЭГ, включают стандартное отклонение и среднее значение полночастотного слуха, пика аудиограммы и слуха на низких частотах, особенно при 250 Гц.

Перспективы и выводы

Авторы исследования отмечают, что результаты демонстрируют многообещающие диагностические возможности и указывают на потенциал машинного обучения на основе чистотональной аудиометрии в качестве метода скрининга БМ.

Литература:
Xu Liu et al, Applications of Machine Learning in Meniere’s Disease Assessment Based on Pure‐Tone Audiometry, Otolaryngology–Head and Neck Surgery (2024). DOI: 10.1002/ohn.956

Machine learning model can diagnose Meniere disease

A machine learning model based on pure-tone audiometry features can diagnose Meniere disease (MD) and predict endolymphatic hydrops (EH), according to a study published online Aug. 28 in Otolaryngology-Head and Neck Surgery.

Xu Liu, M.D., from Fudan University in Shanghai, and colleagues collected gadolinium-enhanced magnetic resonance imaging sequences and pure-tone audiometry data in a retrospective study. Based on the air conduction thresholds of pure-tone audiometry, basic and multiple analytical features were engineered. The engineered features were used to train five classical machine learning models to diagnose MD. The models with excellent performance were selected to predict EH.

The researchers found that the winning light gradient boosting (LGB) machine learning model demonstrated remarkable performance for diagnosis of MD, achieving accuracy of 87%, sensitivity and specificity of 83 and 90%, and an area under the receiver operating characteristic curve of 0.95, comparing favorably with experienced clinicians.

The LGB model had 78% accuracy for EH prediction and outperformed the other three models. Specific pure-tone audiometry features that are essential for both MD diagnosis and EH prediction include standard deviation and mean of the whole-frequency hearing, audiogram peak, and hearing at low frequencies (notably at 250 Hz).

«The study showed promising diagnostic capabilities, indicating the potential of machine learning based on pure‐tone audiometry results as an MD screening method,» the authors write.

© 2024 HealthDay. All rights reserved.