编辑推荐：
小儿行为测听存在挑战，研究人员开展基于深度学习的小儿行为测听研究。对 2.5 - 6 岁儿童研究发现，不同年龄段 AI 与人工测听各有优劣。该研究为小儿听力障碍早筛早治提供依据，推动 AI 在测听领域应用。
在儿童的成长过程中，听力如同他们感知世界的一扇重要窗户，起着至关重要的作用。然而，小儿听力损失却是一个不容忽视的全球性健康问题。在全球范围内，儿童听力损失的发病率达到了 0.44% 。而在我国，7 岁以下遭受听力损失和言语残疾的儿童数量已高达 80 万，并且这个数字还在以每年 3 万的速度增长。听力损失对于儿童的危害远超成人，不仅会影响他们日常的人际交往、学习成绩，还可能对心理健康造成不良影响，更严重的是，会导致语言发育迟缓，让孩子们在成长的道路上举步维艰。
为了尽早发现并干预儿童听力问题，各国纷纷推出早期听力检测和干预计划。目前，小儿听力测试主要分为客观和主观听觉测试。客观测试通过检测耳蜗电活动和脑电波反应来评估耳蜗功能和听阈，但它并不能完全等同于真实的听力测试。相比之下，主观听力测试，尤其是行为测听，能够更全面地反映儿童的听力状况，评估整个听觉通路功能以及认知和社会发展情况，在小儿听力检测中占据着重要地位。然而，行为测听面临着诸多难题。它对测试人员的经验要求极高，需要他们具备丰富的专业知识和实践经验，同时儿童也需要有一定的认知和合作能力，这对于婴幼儿、自闭症或多动症儿童来说，无疑是巨大的挑战。此外，行为测听过程十分耗时，在医院完成一套小儿行为测听，至少需要 40 - 60 分钟。
为了解决这些问题，南昌大学第二附属医院和南京邮电大学的研究人员开展了一项基于深度学习的小儿行为测听研究。他们的研究成果发表在《Scientific Reports》上，为小儿听力检测带来了新的希望。
在研究中，研究人员运用了多种关键技术方法。首先，他们构建了专门的小儿姿势检测数据集，该数据集包含 20000 个来自儿童行为听力测试的视频片段，并进行了详细标注。接着，开发了基于优化 Transformer 的智能诊断模型（DoT）和患者骨骼关键点估计模型（POTR）。DoT 利用深度学习算法对行为听力测试视频进行姿势识别，POTR 则负责提取骨骼关节点。研究人员还通过计算骨骼关键点之间的相对距离和角度，来判断儿童的动作状态，从而实现对听力水平的评估。
下面来看看具体的研究结果：
- 临床特征：研究共招募了 100 名受试者（58 名男性和 42 名女性）进行验证，其中 36 名儿童听力正常，64 名儿童存在听力损失。在听力损失儿童中，听力损失程度和 audiogram 形状呈现出不同的分布情况。年龄分布上，2.5 - 4 岁有 46 名儿童，4 - 6 岁有 54 名儿童。
- 评估指标比较：由于不同年龄段儿童认知存在差异，研究人员将受试者分为 A 组（2.5 - 4 岁）和 B 组（4 - 6 岁）。结果显示，A 组中 AI 行为测听的灵敏度（0.929）高于人工行为测听（0.900），但人工行为测听的特异性（0.824）和曲线下面积（AUC，0.901）更高；B 组中，人工行为测听的灵敏度（0.943）、特异性（0.947）和 AUC（0.924）均高于 AI 行为测听。
研究结论和讨论部分表明，深度学习在小儿行为测听领域具有重要意义。虽然目前 AI 技术在 CPA 中的应用还存在一些问题，如受坐标轴值范围影响出现短期误判、无法有效识别左右手动操作等，但总体来说，其准确性较高，灵敏度和特异性表现良好，这意味着在进行 CPA 时，该模型的表现可与人类专家相媲美，甚至更优。此外，该研究为 AI 在更复杂的小儿听力测试任务中的应用奠定了基础，有望实现远程和自我听力测试，提高听力检测的可及性和便捷性。未来，研究人员计划将该技术应用于 2.5 岁以下儿童，进一步探索其在其他类型行为测听中的价值。这项研究为小儿听力检测的发展提供了新的方向，推动了 AI 技术在听力医学领域的应用，有望帮助更多听力障碍儿童尽早得到诊断和治疗，让他们能够更好地聆听世界的美好声音，开启健康成长的新旅程。
