创新，管理和平等对于为未来的医疗服务提供可持续的框架至关重要。应用新颖的分析技术(例如人工智能(AI))在确定实现这些目标和开发新颖的护理方法的过程中可能发挥关键作用。

AI的主要优势之一是，该算法基本上不受线性假设和具有成百上千个变量的混乱数据集的约束。当我们想到数据复杂，混乱的行业时，医疗保健通常是榜样。因此，在过去的十年中，人们对将AI应用于医学产生了极大的兴趣。AI工具包存在多种技术，范围从用于非结构化文本翻译和提取的自然语言处理到用于医学图像中模式识别的深度学习。深度学习技术为非传统数据格式(例如图像，视频和声音)的预测和模式识别提供了独特的机会。

全世界有听力损失的人口比例以及预计需要听力学专家诊断听力损失的人口比例正在增长。1,2对听觉病学和听力保健服务的需求增长正与提供这些服务的能力有限相抵触。3如果不花费更多的人力资源来提供听力保健，许多遭受听力损失的人将无法得到护理。这样的供需缺口为重新设计诊断和案件分类程序提供了机会。我们设计了一种方法，通过集成用于自动听力损失类型分类的深度学习模型来增强听力损失诊断。我们努力的目标是使用深度学习算法生成概念验证模型，以帮助自动和准确地解释听力图图图像中的听力损失类型。

研究重点

深度学习算法需要大量数据才能训练出准确的模型。在我们的研究中，我们从加拿大安大略省多伦多市森尼布鲁克健康科学中心的电子病历系统中，从成年患者那里获得了1,007张听力图图。概念验证模型的目标是快速将听力图图解解释为代表正常，传导，混合和感觉神经性听力损失的信号，而这些操作均无需人工指导。听力图图像以前由听力学家解释和标记。

听力图报告中的图是我们深度学习建模的主要数据输入。从诊断报告中裁剪出地块，并将其大小调整为标准的500 x 500像素。我们将图像数据库随机分为两个子集：训练(n = 806)和验证(n = 201)。为了增加从图中获得的模型学习模式的难度和鲁棒性，我们随机应用了几种图像变换，包括图像旋转，扭曲，对比度，照明和缩放。我们选择了以前成功的神经网络架构ResNet 4,5作为我们的神经网络架构。训练完神经网络模型后，使用保留的验证图像集来评估训练后模型的分类准确性。

我们的训练有素的模型在正确分配听力图图谱时代表正常，传导性，混合性或感觉神经性听力损失，其峰值分类准确率为97.0%。获得成功的结果之后，我们将深入研究模型的机制，以了解网络如何使用称为梯度加权的类别激活映射(Grad-CAM)的解释步骤来学会区分听力损失类型。6就像人类专家所做的一样，神经网络了解到空气传导线和骨骼传导线之间的分隔代表传导损耗。在预测模型产生的少数错误中，模型无法识别低于正常水平的骨传导阈值，这会将听力图分类为混合性听力损失。