28.03.2024
Подписывайтесь на Telegram-канал по ссылке

Машинное обучение помогло учёным диагностировать «звон в ушах»

tinnitus звон в ушах

Австралийские учёные придумали, как при помощи искусственного интеллекта и функциональной спектроскопии в ближней инфракрасной области диагностировать тиннитус — «звон в ушах». На основе данных, полученных от здоровых людей и пациентов, учёные получили модели, распознающие тиннитус с точностью 78,3 процента и классифицирующие по тяжести с точностью 87,3 процента.

Предложенный метод должен существенно упростить диагностику этого заболевания, которая сейчас проводится в основном при помощи опросников и/или дорогостоящего и не оптимального МРТ. Исследование опубликовано в журнале PLOS One.

Многие, выходя из шумного помещения, испытывали чувство, будто окружающие звуки слегка приглушены, а внутри головы раздаётся звон или шум, не слышимый для окружающих. Для этого феномена существует название — тиннитус, и около 10-15 процентов взрослых живут с ним постоянно. В настоящий момент «звон в ушах» не удаётся не только качественно лечить, но и даже нормально диагностировать. Оценить частоту и громкость звона, — а она может варьировать от практически незаметной до практически невыносимой — можно только при помощи опросников, которые не дают объективного понимания.

В последнее десятилетие учёные начали применять для диагностики тиннитуса технологии нейровизуализации вроде МРТ, ЭЭГ или ПЭТ: удалось даже найти участки мозга, активность которых связана с тиннитусом. У перечисленных методов есть свои недостатки: ЭЭГ пространственно менее точна, чем другие методы, а МРТ и ПЭТ — дорого и к тому же шумно, что важно для исследований слуха.

Мерназ Шустарян (Mehrnaz Shoushtarian) и её коллеги из австралийского Института Бионики решили использовать для диагностики тиннитуса функциональную спектроскопию в ближней инфракрасной области. Как и МРТ, этот метод позволяет измерить динамику уровня кислорода в сосудах мозга и по ней определить активность — при этом ИК-спектроскопия мобильна, не так дорога, не шумит и отличается достаточным разрешением. Минусом может быть неспособность просканировать глубокие участки коры, но в данном случае оказалось, что это не требуется и все необходимые для классификации тиннитуса участки мозга доступны на получившемся изображении.

Для диагностики тиннитуса важны аудиторная кора, часть лобной доли и клин (участок затылочной доли), функциональные связи между ними и ответ на внешние стимулы. Во время ИК-сканирования учёные просили участников (25 пациентов с тиннитусом и 21 добровольца с нормальным слухом) сперва посидеть в тишине с закрытыми глазами, а затем давали им по очереди разные звуковые и зрительные сигналы. Запись в состоянии покоя позволила оценить связность между исследуемыми участками мозга, а звуковые и визуальные сигналы позволили понять, как отличается ответ мозга на внешние стимулы у больных и здоровых.

Оказалось, что функциональные связи между рассмотренными участками у людей с тиннитусом выше, а их активность в ответ на звуковые и визуальные сигналы, наоборот, снижена. Чтобы научиться качественно определять наличие тиннитуса и его интенсивность, учёные решили применить к этим данным машинное обучение: сперва выбрали из всей полученной активности ту, которые сильнее всего отличаются между группой больных и здоровых, а потом воспользовались четырьмя разными классификаторами. Кроме того, они попытались предсказать на основании данных степень тяжести тиннитуса (от одного до четырех), которую до этого посчитали, исходя из опросников.

Оказалось, что классификаторы неплохо справляются с задачей — наивный байесовский классификатор смог правильно определить тиннитус в 78,3 процента случаев, а нейронные сети, обученные на данных о функциональных связях, корректно разделили тиннитус на лёгкий и тяжёлый в 87,3 процента случаев. Авторы пришли к выводу, что данные ИК-спектроскопии может стать подходящим методом, который бы позволил объективно диагностировать тиннитус и аккуратно измерять эффективность лечения.