随着年龄增长和各种环境因素的影响，听觉系统可能出现不同类型的功能障碍。年龄相关听力损失和噪声性听力损失是两种常见的听觉疾病，它们都与耳鸣这一症状密切相关。耳鸣是指在无外界声源情况下感知声音的现象，全球约10%-15%的成年人受其困扰。传统诊断方法主要依靠详细的听力学检查和患者主诉，但由于症状重叠、病因复杂，特别是噪声暴露与听力损失发生之间存在较长潜伏期，使得准确区分这两种听力损失类型具有较大难度。此外，噪声暴露史的回忆往往不够准确，耳鸣的主观特性也增加了诊断的复杂性。这些因素促使研究者寻求更精确、更客观的诊断方法，以期能为患者提供更有针对性的治疗方案。

近年来，人工智能技术在医学领域的应用为疾病诊断带来了新的可能。机器学习作为人工智能的重要分支，能够通过分析大量数据识别出人眼难以察觉的模式。尽管已有研究尝试将机器学习应用于听力学领域，但大多数研究的样本量有限，且缺乏合适的对照组。为了填补这一研究空白，本研究采用了一个包含928名30-100岁成年人的数据集，系统评估了五种常用机器学习模型在区分耳鸣患者和区分不同类型听力损失方面的表现。

研究团队收集了2015年至2019年间加拿大莱斯布里奇地区居民的详细资料，包括人口统计学信息和全面的听力学检查结果。为确保研究对象的同质性，团队排除了有家族性听力损失史、慢性耳部感染、耳毒性药物使用史以及其他可能影响听力疾病的患者。最终研究纳入了两个明确分组：497名年龄相关听力损失患者作为对照组，431名有长期职业噪声暴露史的噪声性听力损失患者作为实验组。这些患者的噪声暴露来源广泛，涵盖了工业生产、交通运输、建筑施工、农业生产等多个领域。在数据准备阶段，研究人员对原始数据进行了严格的清洗和整理。他们排除了因技术问题产生的异常数值，并将各频率的听力阈值整合为三个有临床意义的频带：低频带、中频带和高频带。这些处理既减少了数据维度，又保留了重要的听力学特征。用于机器学习模型的变量经过精心选择，包括基本人口学特征、各频带平均听力阈值、言语识别得分、鼓膜顺应性指标，以及关键的噪声暴露史和耳鸣状态信息。

表1：机器学习模型中包含变量的描述性特征

本研究采用了五种具有代表性的机器学习算法。逻辑回归作为经典的线性模型，具有良好的可解释性。K近邻算法基于样本相似性进行分类，不需要复杂的数据假设。支持向量机通过寻找最优分类边界来实现类别分离，尤其适合处理非线性问题。人工神经网络模拟人脑神经元的工作方式，能够捕捉数据中复杂的非线性关系。随机森林则采用集成学习策略，通过构建多棵决策树并综合其结果来提高预测准确性。为了确保研究结果的可靠性，团队采用了严谨的模型训练和评估流程。他们将数据随机分为训练集和测试集，其中80%用于模型训练，20%用于性能验证。同时还使用了五折交叉验证技术，通过多次重复训练和测试来获得更稳定的性能估计。在模型训练过程中，研究人员对数值型数据进行了标准化处理，对分类变量进行了独热编码，这些预处理步骤保证了不同模型之间的公平比较。

结果显示，噪声性听力损失组的耳鸣患病率显著高于年龄相关听力损失组。具体而言，噪声性听力损失组有46.40%的患者报告有耳鸣症状，而年龄相关听力损失组仅有19.71%。按耳鸣类型细分，噪声性听力损失组的恒定耳鸣患病率为27.85%，间歇性耳鸣为18.55%；相应的，年龄相关听力损失组这两个数字分别为8.85%和10.86%。对不同职业噪声暴露类型的分析发现，音乐相关行业的从业者耳鸣患病率最高，达到78%；而农业领域的从业者患病率相对较低，为38%。在听力损失模式方面，研究发现了具有诊断价值的特征。虽然两组患者在低频区域的听力损失程度相似，但在中频和高频区域，噪声性听力损失组表现出更严重的听力下降。这一现象在所有耳鸣亚组中都保持一致。另一个有趣的发现是，无论在哪类听力损失组中，没有耳鸣的患者的听力损失程度反而比有耳鸣的患者更严重。研究人员推测这可能是因为耳鸣症状促使患者更早寻求医疗帮助，从而获得了及时的干预，延缓了听力损失的进展。

图：研究人群的人口学特征

机器学习模型的性能评估显示，对于耳鸣预测任务，人工神经网络表现最为出色。该模型的精确率达到0.60，召回率为0.46，F1分数为0.87，总体准确率为0.70，受试者工作特征曲线下面积为0.71。随机森林和逻辑回归模型也展现出良好的性能，而K近邻和支持向量机的表现相对较弱。在区分噪声性听力损失与年龄相关听力损失的任务中，随机森林模型展现了明显的优势。其在噪声性听力损失识别上的精确率为0.79，在年龄相关听力损失识别上的精确率为0.85，对噪声性听力损失的召回率达到0.85，综合评估指标F1分数在两类听力损失上都超过0.81，总体准确率达到0.82，特别是受试者工作特征曲线下面积高达0.90，显示出卓越的分类能力。

综上，本研究通过系统的实验设计和严谨的数据分析，证实了机器学习技术在听力学领域的应用价值。研究不仅揭示了噪声暴露与耳鸣发生之间的强关联性，还明确了不同类型听力损失的特异性听力学特征。人工神经网络在耳鸣预测方面的优势，以及随机森林在听力损失分类中的卓越表现，为未来开发智能辅助诊断工具提供了重要参考。这些发现对临床实践具有指导意义，有助于医生更准确地区分不同病因的听力损失，从而制定更有针对性的治疗策略。随着技术的不断进步和数据的持续积累，机器学习模型有望成为听力学诊断的重要辅助工具，为患者提供更精准、更个性化的医疗服务。

原始出处：

Jafari Z, Harari RE, Hole G, Kolb BE, Mohajerani MH. Machine Learning Models Can Predict Tinnitus and Noise-Induced Hearing Loss. Ear & Hearing. 2025;46(5):1305-1316.

本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。

Tags： Ear & Hearing：机器学习模型可预测耳鸣和噪声性听力损失