Une boîte à outils open source basée sur l’apprentissage profond pour l’analyse automatisée des réponses auditives du tronc cérébral (ABRA)

Pourquoi de meilleurs tests auditifs comptent

À mesure que l’espérance de vie augmente, la perte auditive devient l’un des problèmes de santé les plus fréquents dans le monde. Elle complique non seulement les conversations ; elle est désormais associée à des troubles de la mémoire et à la démence plus tard dans la vie. Pour comprendre et traiter la perte auditive, les chercheurs s’appuient sur un type d’enregistrement électrique provenant de l’oreille et du tronc cérébral appelé réponse auditive du tronc cérébral, ou ABR. Ces enregistrements sont puissants mais exigent traditionnellement que des experts examinent à l’œil les tracés ondulés, un processus lent et subjectif. Cet article présente ABRA, une boîte à outils logicielle gratuite et automatisée qui utilise l’intelligence artificielle moderne pour lire ces signaux rapidement et de manière cohérente.

Des clics dans l’oreille aux ondes à l’écran

Quand un son bref est joué dans l’oreille, de minuscules cellules sensorielles de l’oreille interne et les fibres nerveuses qui les suivent tirent en une brève poussée. Cette activité remonte le long du tronc cérébral et peut être captée par des électrodes placées sur la tête. Le résultat est une trace ABR : une série de petites ondes qui apparaissent dans les premiers millièmes de seconde après le son. Chez la souris, la première grande onde reflète l’activité du nerf auditif et est particulièrement sensible aux dommages précoces de la cochlée, y compris la perte des connexions (synapses) entre les fibres nerveuses et les cellules ciliées. Les chercheurs lisent ces ondes pour estimer à quel niveau sonore un son doit être pour être entendu (le seuil) et pour mesurer la force et la rapidité des réponses nerveuses. De petits changements dans ces mesures peuvent révéler des lésions cachées avant qu’elles n’apparaissent aux tests auditifs standard.

Le problème de la lecture manuelle

Bien que les tests ABR soient des enregistrements objectifs, leur analyse ne l’est souvent pas. Différents laboratoires utilisent des logiciels différents, et même des évaluateurs expérimentés peuvent diverger sur l’endroit exact où une onde commence, atteint son maximum et se termine, en particulier lorsque les signaux sont faibles ou bruités. Marquer manuellement des milliers de tracés issus de grandes expériences peut prendre de longues heures et rend difficile la comparaison des résultats entre études. Certains groupes ont tenté des méthodes informatiques basées sur des règles ou des techniques d’apprentissage automatique traditionnelles, mais celles-ci manquent de flexibilité et peuvent peiner à gérer la grande variété de configurations d’enregistrement, de souches de souris et de types de lésions auditives employés dans la recherche moderne.

Une nouvelle boîte à outils automatisée

ABRA (Auditory Brainstem Response Analyzer) relève ces défis en combinant des modèles d’apprentissage profond avec une interface conviviale. Les auteurs ont entraîné des réseaux de neurones convolutifs, un type d’intelligence artificielle excellent pour reconnaître des motifs complexes, sur plus de vingt mille enregistrements ABR recueillis dans trois laboratoires indépendants de recherche auditive. Malgré des différences d’équipement, de paramètres sonores et de modèles de souris — y compris des animaux vieillissant plus rapidement ou exposés à des bruits forts — les mêmes modèles ont appris à détecter les caractéristiques clés des ondes et à distinguer les réponses qui reflètent réellement l’audition du bruit de fond. ABRA comprend deux outils principaux : l’un qui repère la temporalité et l’amplitude de la première onde ABR, et l’autre qui décide, sur une série de niveaux sonores, quel niveau correspond au véritable seuil auditif.

Autant précis que des experts, des dizaines de fois plus rapide

Pour évaluer les performances d’ABRA, l’équipe a comparé ses mesures automatiques à des milliers d’étiquettes établies par des humains. Pour la première onde de l’ABR, les estimations d’ABRA de la temporalité et de l’amplitude se situaient presque toujours dans une infime fraction de milliseconde et une fraction de microvolt des annotations d’experts, les plus grosses erreurs survenant seulement lorsque le signal lui-même était à peine visible. Pour la détection du seuil, plusieurs types de modèles d’apprentissage automatique ont été testés, et l’approche par apprentissage profond a surpassé les méthodes plus simples sur toutes les mesures de précision. Dans des comparaisons directes, ABRA s’accordait avec les évaluateurs humains experts à une fréquence comparable à celle de l’accord entre deux experts, et égalait ou devançait une méthode établie de corrélation croisée utilisée dans un autre paquet ABR populaire. De manière cruciale, l’analyse de 90 séries de données de souris a pris environ une heure pour des experts effectuant le travail à la main, mais moins d’une minute avec ABRA, soit un gain de vitesse d’environ 75 fois.

Ce que cela signifie pour la recherche auditive

ABRA transforme une étape autrefois lente et subjective des expériences auditives en un processus rapide, standardisé et partageable. Parce qu’il est open source, disponible gratuitement en ligne et capable de lire plusieurs formats de fichiers courants, il peut s’intégrer dans de nombreux flux de travail existants sans compétences de programmation particulières. Les modèles actuels sont entraînés sur des données de souris et sont surtout validés pour la première onde ABR, de sorte que des cas très inhabituels ou d’autres espèces pourraient encore nécessiter une revue experte ou un ré-entrainement futur. Malgré tout, la boîte à outils montre comment l’intelligence artificielle peut donner du sens à des signaux biologiques complexes, aidant les scientifiques à étudier comment l’audition décline avec l’âge, le bruit ou la maladie — et, en fin de compte, à soutenir les efforts visant à protéger à la fois l’audition et la santé cérébrale.

Citation: Erra, A., Miller, C.M., Chen, J. et al. An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA). Sci Rep 16, 9855 (2026). https://doi.org/10.1038/s41598-026-38045-1

Mots-clés: perte auditive, réponse auditive du tronc cérébral, apprentissage profond, analyse automatisée du signal, neurosciences chez la souris