用于人工计算人工耳蜗植入术后耳蜗内位置指数的机器学习模型

《European Archives of Oto-Rhino-Laryngology》：Machine learning model for automated calculation of intracochlear positional index in cochlear implantation

本研究通过训练自定义CNN和预训练ResNet-50模型实现ICPI自动计算，验证了机器学习在减少人工计算误差和劳动强度方面的有效性，发现增加训练周期至100次可显著提升模型精度，ResNet-50在RMSE等指标上表现更优。

　　

摘要

目的

训练和优化自定义以及预训练的卷积神经网络（CNN）模型以计算耳蜗内位置指数（ICPI）与手动计算方法同样有效。ICPI是一个已知会影响人工耳蜗植入效果的位置因素，然而在计算机断层扫描（CT）图像上进行手动计算既费时又容易出错。通过使用自定义构建的CNN模型实现这一过程的自动化，旨在降低获取该位置因素的难度。增加训练周期的数量可以提高准确性。我们的研究旨在开发一个经过验证的用于ICPI计算的CNN模型，这可能有助于改善手术中电极的定位。

方法

自定义构建的CNN模型和预训练的ResNet 50模型在34张图像上进行了训练和验证，并在8张含有人工耳蜗植入物的颞骨CT图像上进行了测试。真实值是通过手动计算从耳蜗基底（modiolus）到电极（DE）和侧壁（DL）的距离来确定的，然后利用这些数据计算出ICPI。

结果

预训练的ResNet-50模型在评估指标上优于自定义构建的CNN模型，其表现具有统计学上的显著性提升。ResNet-50模型的平均绝对误差（MAE）和均方根误差（RMSE）更低。在两种模型中，将训练周期从10次增加到100次都能提高ICPI计算的准确性。

结论

我们的机器学习模型成功实现了ICPI计算的自动化，通过将训练周期增加到100次迭代，准确性得到了提升。未来的研究应探索优化这些模型，并在更广泛的数据集上进行验证，以便通过与语音和听力测量结果的比较来增强它们在现实世界场景中的适用性。