人工智能助力改善老年聽力障礙的研究進展

田甜 張飛 李銘麟 張璇 王佳賀

隨著全球人口老齡化的加劇,老年聽力障礙逐漸成為公共衛生的重大挑戰。聽力障礙不僅影響老年人的交際和日常生活,還影響其精神健康和生活質量。由于老年聽力障礙的復雜病因(包括遺傳因素、環境影響、職業噪聲暴露等多種因素[1])和老年群體的特殊性,對其有效的診治和管理仍然面臨著一系列挑戰。

最近幾年,人工智能(artificial intelligence,AI)技術的突破性進展為處理這些問題提供了新的前景。AI通過大數據分析、精確建模和預測以及高效的自動化決策,為改善老年聽力障礙提供了強大的工具。研討如何利用AI技術改善老年聽力障礙,為醫療衛生領域的研究者提供了新的方向。本文旨在回顧和討論AI改善老年聽力障礙的最新進展,為未來相關領域的研究提供參考。

1 老年聽力障礙概述

老年聽力障礙,狹義上特指年齡相關的聽力損失(age-related hearing loss,ARHL),這是一種與年齡增長有關的聽覺系統退化性疾病。在廣義上,其是指發生在老年人群中的所有聽力障礙,包括但不限于ARHL。本文的研究范圍為廣義老年聽力障礙,包括由自然衰老、噪聲暴露、耳部感染或疾病、藥物毒性、基因因素、系統性疾病、耳蠟阻塞、耳部腫瘤等各種因素引起的老年聽力障礙。

在全球范圍內,聽力障礙是非常普遍的問題,特別是老年人群。根據世界衛生組織的最新數據,超過5%的人口(其中成年人4.32億,兒童3400萬)患有聽力障礙。由于人口老齡化,到2050年,估計將有超過7億人患有聽力障礙,即每10人中就有1人患聽力障礙[2]。在老年人中,聽力障礙的患病率更高,65歲以上老年人的聽力障礙患病率可達1/3以上[3],聽力損失成為老年人第三大常見慢性疾病。

老年聽力障礙有以下特點:(1)聽力損失程度更嚴重。在聽力障礙病人的流行病學調查中,最大年齡段分組(>80歲)的中度聽力損失(>40～60 dB)患病率超過輕度聽力損失(>25～40 dB)患病率[4]。(2)輔助治療設備使用困難。相對于更容易適應技術改變的中青年人,老年人往往需要更多的時間和支持來適應電子類的聽力輔助設備。(3)易伴隨其他健康問題。老年人的工作、社交活動并不活躍,患有聽力障礙相關疾病后更加重其溝通困難和社交隔離,引起焦慮、抑郁等心理疾病以及認知障礙[3]等其他健康問題。因此,老年聽力障礙者更需要綜合醫學干預。

全球每年在耳科和聽力保健服務上的總支出,平均下來,相當于每個人要分擔近10元的費用[2]。從宏觀的社會和國家視角審視,老年聽力障礙無疑會引起累積的經濟負擔和支出。因此,老年聽力障礙帶來的眾多問題和挑戰是我們亟需解決的課題。

2 AI概述

AI是指由人造系統所表現出來的智能,分為弱人工智能和強人工智能兩類。弱人工智能系統專注于某一具體任務,如語音識別、圖像識別等,它們的應用已經非常廣泛。而強人工智能則能夠理解或體驗周圍環境,就像人類一樣具有全面的思考能力。但是,由于當前技術以及倫理限制,現階段AI在醫學中的應用集中在弱人工智能方面[5]。

AI包括很多子領域,如機器學習(ML):機器可以通過提供的數據集的經驗進行改進;深度學習(DL): 由多層神經網絡組成,使機器能夠自行學習和做出決策;自然語言處理(NLP): 使計算機能夠從人類語言中提取數據并根據該信息做出決策;計算機視覺(CV): 計算機從一系列圖像或視頻中獲得信息并理解等。目前,AI在醫療健康領域的應用已經越來越普遍,比如ML用于預測疾病、DL應用于醫療影像的診斷[6]、NLP用于醫療信息的獲取和處理等[7]。這些技術為改進和優化醫療服務提供了巨大的空間。Topol[8]預測,AI與醫學的結合將迎來一個“醫生輔助”時代。

3 AI改善老年聽力障礙的研究與應用

3.1 早期預警 老年聽力障礙的預測大多依賴于對象的自我報告,如詢問老年人是否有聽力問題、是否有噪聲的暴露史等。這種方法的局限性在于很多老年人可能不會察覺自我聽力下降,增大了漏診率。我國學者黃治物及其團隊開展的“基于遺傳與環境因素作用輔助AI決策的耳聾防控研究”醫工交叉項目,計劃收集大樣本人群數據,包括生物特征、聽力水平、遺傳信息、環境暴露、生活方式、共病等,然后利用AI技術對這些數據進行綜合分析,實現對老年聽力障礙的早期預警[9]。

3.2 高效精確的診斷 老年聽力障礙的診斷包括詳實的病史、仔細的耳鏡檢查、實驗室聽力測試、專業的鼓室壓力測量以及聲學反射等步驟。這些步驟需要大量時間完成,特別是對于那些認知障礙、難以配合的老年人群,可能會增加病人的焦慮和心理壓力[10],也增加了醫療系統的負擔。另一方面,傳統聽力檢測通常需有專業人員手動控制語音信號刺激的強度和頻率,以確定受試者的聽力損失和言語感知水平,因此,檢測主觀性大,易產生人為誤差。AI在老年聽力障礙的診斷方面顯示出巨大潛力,提高了診斷效率與精確度。

ML可用于純音聽力測試中的掩蔽管理。用探測音測試病人聽力較差的一側耳朵時,需要對聽力較好的一側耳朵播放窄帶噪音以避免交叉聽力的影響,傳統掩蔽的管理需要多次迭代,在測試耳中不斷重新建立閾值來調整非測試耳中的掩蔽量,非常耗時且困難。Heisey等[11]在ML聽力圖程序中添加標準化掩蔽協議形成了動態掩蔽,與傳統手動掩蔽在準確性上相當,但效率大大提高。

相比于局限性大的純音測試,ML也可進一步運用于腦干反應(ABR)的測試中。純音聽力測試依賴于對病人進行感知評估,但對于認知障礙、語言障礙、嚴重聽力損傷的老年人來說,他們無法表達聆聽體驗。ABR的檢測可以避免這些局限性,但難度大,往往需要經驗豐富的耳科醫生。Al Osman等[12]使用ML進行自動化語音誘發ABR分析,通過區分健康聽力障礙和病理性聽力障礙,幫助臨床醫生更好地診斷聽力障礙。

除了在專業醫院檢測外,對于行動不便的老年人,也可以佩戴以ML為基礎的自動聽力計,自行測試并及時向專業醫療人員反饋。Raja Sankari等[13]開發的自動聽力計能夠利用多種ML模型(如支持向量機、隨機森林和AdaBoost模型)分析語音信號,并準確評估在250～8000 Hz范圍內的聽力情況,3種模型的準確率分別高達98%、96%和96%。除了準確性高,這類自動聽力計還具備攜帶便捷、可個性化定制等優勢。

AI還可以通過聽力閾值對聽力障礙進行分類診斷。Abd Ghani等[14]研發的混合ML模型,利用頻繁模式增長(FP-Growth)算法和樸素貝葉斯(NB)算法,能根據空氣和骨傳導的聽力閾值準確地進行癥狀分類。這種AI驅動的模型還可以根據需要設置評估的精度和置信水平,避免過度治療或低估病情。

耳部影像診斷技術上也有AI的應用。Cha等[15]提出了利用DL和大型耳內鏡圖像數據庫來自動診斷耳部疾病的ML模型,其識別出6種不同中耳疾病的準確率高達90%。目前,基于此種技術的商業產品如“hearScope”[16]等已上市。此外,Li[17]也成功運用了AlexNet網絡模型和極限學習來識別耳部核磁共振圖像中的組織特征,對聽力損失進行分類。

3.3 智能化助聽設備

3.3.1 助聽器:從全球范圍來看,助聽器的使用率很低,4.014億中重度聽力損失人群中僅有17%的病人使用助聽器[18]。一部分是因為老年人認為助聽器是衰老和功能喪失的標志而拒絕使用,但最主要還是因為助聽器本身的性能不佳[19]。一般來說,助聽器的首選音量增益和響度水平是為“標準用戶”“標準聽力環境”設定的,然而每個用戶的具體需求和環境差異大,一次性定制無法兼顧各種用戶的不同需求。由于老年人的聽力感知理解逐漸退化,其對聲音的偏好更具有特殊性。

在用戶個性化方面,Balling等[20]結合了高斯過程的數學模型和信息論,通過ML將用戶偏好程度轉化為助聽器增益參數,從而優化特定用戶的聲音體驗。同樣,有學者利用卷積神經網絡和雙向長短期記憶網絡等DL模型對用戶在音頻環境中的偏好進行學習和建模,進一步確定個性化助聽器的音頻壓縮參數,從而提高用戶聽力感知[21]。

在聲場識別和噪聲處理方面,Bhat等[22]使用DL技術處理音頻信號,針對不同的環境噪聲來進行語音增強,以提高聽者的語音質量和可理解性。Fan等[23]進一步開發了助聽器應用程序(APP),自動識別5種不同的聲場,包括公共汽車、地鐵、街道、室內、汽車,通過多音頻幀和塊的疊加,優化助聽器的聲音清晰度。

利用AI,一些助聽器還可以多角度保障老年人安全。Starkey Livio AI助聽器能通過步數跟蹤檢測用戶的行動狀態,一旦發生墜落動作,及時發出警報,從而防止老年聽力障礙者獨自活動時出現意外[24]。

3.3.2 人工耳蝸(CI): CI的植入沒有年齡限制,如今已經幫助超過200萬名聽力受損的兒童和成人恢復聽力,其中包括150 000名老年人[25],是70歲以上甚至80歲以上病人聽力康復的治療選擇[26]。然而CI植入也存在一些缺點:(1)候選時間長且復雜。醫生需對多個術前變量的相互作用進行主觀判斷。然而,合并AD等認知障礙的老年病人通常難以描述自我主觀感受,并且老年人群常伴有多病共存現象,即變量多,這些都會使醫生的準確判斷更為困難。(2)植入效果差、并發癥多。CI植入術后病人言語聽覺改善的結果不盡相同,部分病人會發生不適、噪音反饋、復發性炎癥和耳道感染惡化等[27]。AI技術的應用為CI植入提供了新的可能性和研究方向。

AI的引入可以提高候選過程的效率和準確度,從而保證植入效果。Abousetta等[28]利用ML的模型預測了CI植入術后病人的病情恢復情況,結果顯示AI分類模型對語言年齡缺陷、語音缺陷和社會缺陷的預測準確率分別為56.66%、88.11%和40.46%,均超越了傳統的統計方法。這有助于醫生更準確地判斷哪些病人能從CI手術中受益。

DL技術改進了CI術前的醫學圖像處理。與傳統的醫學圖像分割技術相比,DL可以實現自動特征提取,減少人為干預,從而獲得更好的分割結果[29]。Li等[30]采用了一種基于U-Net的改進網絡模型,以實現對人體耳蝸解剖結構在CT圖像中的自動分割,這類術前準備工作有助于提高老年人群CI手術的成功率,減少術后并發癥。

此外,AI也有助于解決配置聽覺處理器的問題。記錄電觸發的鐙骨反射是最常見的傳統配置方法,但是在耳蝸或聽神經病變的情況下,記錄并不準確。Levin等[31]利用神經網絡處理神經反應的遙測數據,以更高的精度合成CI聽覺處理器的調諧卡,最終預測準確率高達99.2%。

AI不僅改善了CI的配置過程,也參與調節過程。Waltzman等[32]在FOX(Fitting to Outcome Expert)APP中使用了基于AI的編程算法來調節CI,其效果與傳統醫生標準編程技術(EC)的效果相當。

3.4 長期康復護理的遠程醫療助力 遠程醫療的興起實現了輔助聽力設備佩戴者的本地自我管理[28],解決了病人居住地偏遠以及老年人行動不便帶來的問題,為老年聽力障礙病人的長期居家康復護理提供了有力的技術支持。

遠程醫療可以幫助病人進行助聽器的微調。如智能手機里的APP——ReSound Assist, 可以收集病人的遠程要求并接收新的助聽器設置。Convery等[33]評估了這個APP的遠程通信功能,結果顯示其具有高度的可行性。

在CI方面,Meeuws等[34]綜合利用了FOX程序和遠程醫療技術,使CI佩戴者能在聽力學家的遠程指導下進行自我測試和自動裝配。此外,FOX編程方法還可以實現跨中心的標準化,并增加許多可能受益的個人訪問。

4 總結與展望

AI在老年聽力障礙的早期預警、高效精確診斷、智能化輔助設備、遠程醫療等方面已經取得了實質進展。目前一些應用可能不及傳統方法或與其相當,但ML等是一個不斷學習、自我優化的過程,只要數據樣本不斷擴大,更加豐富多樣,通過增加訓練集和驗證數據樣本等方式[35],模型的準確性可以不斷提高,其最終性能預期將超越純人工方法。當然這并不意味著AI將替代人類的臨床決策能力,正如應用X線、CT等影像技術一樣,對于臨床醫生來說,將AI視為一種臨床決策輔助工具來幫助判斷和減少認知偏差[36],將是未來聽力障礙診治的新方向。

最后,AI在改善聽力障礙中的應用目前仍面臨倫理和數據安全問題[37],因此,相關倫理規范隱私保護機制必須建立,以提高病人對AI的信任度。