机器学习识别豚鼠噪声性耳鸣模型中听觉外周自发电活动的耳鸣相关特征

耳鸣作为全球性健康难题，目前临床诊断依赖主观报告，制约了精准诊疗的发展。本研究通过记录豚鼠耳蜗表面群体自发电活动(ESA)，结合机器学习算法，首次揭示了噪声性耳鸣模型中的特异性可逆光谱特征，并验证了耳蜗外电刺激(EES)的治疗潜力。支持向量机(SVM)模型以AUC=0.962的优异性能实现分类，SHAP分析确定1400-1600 Hz中心频率和8000-9000 Hz偏度为关键生物标志物，为耳鸣客观诊断提供了新范式。

　　

耳鸣如同大脑中的"幽灵声音"，困扰着全球10-15%的人群，却始终缺乏客观诊断方法。这种没有外部声源存在的听觉感知，不仅导致失眠焦虑，更因其评估完全依赖主观问卷和 psychoacoustic tests（心理声学测试），严重阻碍了发病机制研究和精准治疗开发。现有理论认为，耳鸣始于耳蜗损伤引发的输入减少，继而通过中枢代偿机制——包括神经元兴奋性增高、自发放电率(SFR)上升和神经同步化增强——最终形成顽固性幻听。但如何在活体直接捕捉这些神经异常，特别是从外周听觉系统寻找客观标志物，成为领域内亟待突破的瓶颈。

华东师范大学的研究团队在《Hearing Research》发表创新成果，通过设计精巧的动物实验和机器学习分析，首次在豚鼠噪声性耳鸣模型中锁定了耳蜗表面记录的群体自发电活动(Ensemble Spontaneous Activity, ESA)特征谱，并证实这些特征可被治疗性电刺激逆转。研究采用25只健康雄性Dunkin-Hartley豚鼠，建立5.8-8.2 kHz窄带噪声诱导的耳鸣模型，通过gap-prepulse inhibition of acoustic startle reflex（GPIAS，声惊吓反射的间隙前脉冲抑制）行为学验证后，使用定制耳蜗外电极阵列记录ESA信号。

关键技术包括：1）建立噪声暴露仅引起暂时性阈移的耳鸣模型；2）采用200 Hz和1000 Hz双带宽滑动窗口进行快速傅里叶变换(FFT)特征提取；3）应用支持向量机(SVM)等5种机器学习算法分类；4）通过SHAP（Shapley additive explanations）可解释性分析识别关键特征；5）实施阈下强度耳蜗外电刺激(EES)治疗验证特征可逆性。

主要发现：
Abstract
研究目标：成功从ESA信号中提取出中心频率、带宽、偏度和峰度等光谱特征，发现这些特征在耳鸣动物中呈现暴露噪声及其谐波/次谐波频段的特异性改变。

Design
实验设计：噪声暴露后出现耳鸣的动物表现出1400-1600 Hz中心频率偏移和8000-9000 Hz偏度异常，这些改变在EES治疗后随GPIAS行为改善同步恢复。

Results
结果分析：SVM模型分类性能最优（AUC=0.962），SHAP分析揭示1400-1600 Hz频段特征最具判别力，提示外周听觉系统存在可量化的耳鸣"指纹"。

Conclusions
研究结论：ESA光谱特征作为首个被证实的可逆性外周耳鸣生物标志物，不仅为临床诊断提供新思路，其电刺激响应性更揭示了潜在治疗靶点。

这项研究的突破性在于：首次将机器学习应用于外周听觉电生理信号解码，克服了传统单纤维记录技术的侵入性局限；发现ESA群体信号相比单个神经元活动更能反映耳鸣特异的神经同步化改变；证实特定频段（如900 Hz宽峰和200 Hz窄峰）的异常与耳鸣行为学指标高度相关。尤为重要的是，通过EES实现特征逆转与症状缓解的同步，为理解耳鸣外周-中枢交互机制提供了直接证据。正如作者Shufeng Li教授团队强调的，这种基于机器学习的客观检测框架，有望推动耳鸣诊疗从主观描述向精准医学范式转变，为开发新型神经调控疗法奠定理论基础。