Een open-source toolbox op basis van deep learning voor geautomatiseerde analyses van auditieve hersenstamreacties (ABRA)

Waarom betere gehoortests ertoe doen

Nu mensen ouder worden, wordt gehoorverlies een van de meest voorkomende gezondheidsproblemen wereldwijd. Het maakt niet alleen gesprekken moeilijker; het wordt nu ook in verband gebracht met geheugenproblemen en dementie later in het leven. Om gehoorverlies te begrijpen en te behandelen, vertrouwen wetenschappers op een speciaal type elektrische registratie van het oor en de hersenstam, de zogenaamde auditieve hersenstamreactie (ABR). Deze opnamen zijn krachtig maar vereisen traditioneel dat experts de kromme lijnen met het blote oog inspecteren — een traag en subjectief proces. Dit artikel introduceert ABRA, een gratis, geautomatiseerde softwaretoolbox die moderne kunstmatige intelligentie gebruikt om deze signalen snel en consistent te lezen.

Van klikken in het oor naar golven op het scherm

Wanneer een korte geluidspuls in het oor wordt afgespeeld, vuren kleine zintuigcellen in het binnenoor en de daarachter liggende zenuwvezels in een snelle burst. Deze activiteit reist via de hersenstam omhoog en kan worden opgevangen door elektroden op het hoofd. Het resultaat is een ABR-tracé: een reeks kleine golven die binnen de eerste paar duizendsten van een seconde na het geluid verschijnen. Bij muizen weerspiegelt de eerste grote golf de activiteit van de gehoorzenuw en is bijzonder gevoelig voor vroege schade in het slakkenhuis, inclusief het verlies van verbindingen (synapsen) tussen zenuwvezels en haarcellen. Onderzoekers lezen deze golven om te schatten hoe luid een geluid moet zijn om gehoord te worden (de drempel) en hoe sterk en snel de zenuwreacties zijn. Kleine verschuivingen in deze maten kunnen verborgen schade aantonen voordat die zichtbaar wordt bij standaard gehoortests.

Het probleem van handmatig uitlezen

Hoewel ABR-tests objectieve opnamen zijn, is de manier waarop ze geanalyseerd worden vaak niet objectief. Verschillende laboratoria gebruiken verschillende software, en zelfs ervaren beoordelaars kunnen van mening verschillen over precies waar een golf begint, piekt en eindigt, vooral wanneer signalen zwak of ruisig zijn. Het handmatig markeren van duizenden tracés uit grote experimenten kan vele uren kosten en maakt vergelijking van resultaten tussen studies moeilijk. Sommige groepen hebben geprobeerd regelgebaseerde computermethoden of traditionele machine-learningtechnieken, maar deze zijn minder flexibel en kunnen moeite hebben met de grote variatie in opname-instellingen, muizenstammen en typen gehoorschade die in modern onderzoek worden gebruikt.

Een nieuwe geautomatiseerde toolbox

ABRA (Auditory Brainstem Response Analyzer) pakt deze uitdagingen aan door deep-learningmodellen te combineren met een gebruiksvriendelijke interface. De auteurs trainden convolutionele neurale netwerken, een type kunstmatige intelligentie dat uitblinkt in het herkennen van complexe patronen, op meer dan twintigduizend ABR-opnamen verzameld uit drie onafhankelijke gehooronderzoekslaboratoria. Ondanks verschillen in apparatuur, geluidsinstellingen en muismodellen — inclusief dieren die sneller verouderden of aan hard geluid werden blootgesteld — leerden dezelfde modellen sleutelkenmerken van de golven te detecteren en te onderscheiden welke reacties daadwerkelijk gehoor weerspiegelen en welke alleen achtergrondruis zijn. ABRA bevat twee hoofdtools: één die het tijdstip en de amplitude van de eerste ABR-golf precies vaststelt, en een andere die, over een reeks geluidsniveaus, bepaalt welk niveau de echte gehoordrempel markeert.

Even nauwkeurig als experts, tientallen keren sneller

Om te beoordelen hoe goed ABRA werkt, vergeleek het team de automatische metingen met duizenden door mensen gemaakte labels. Voor de eerste golf van de ABR vielen ABRA’s schattingen van timing en grootte bijna altijd binnen een klein fractie van een milliseconde en een fractie van een microvolt van de expertmarkeringen, waarbij de grootste fouten alleen optraden wanneer het signaal zelf nauwelijks zichtbaar was. Voor drempeldetectie werden verschillende typen machine-learningmodellen getest, en de deep-learningbenadering presteerde beter dan eenvoudigere methoden op alle nauwkeurigheidsmaten. In directe vergelijkingen stemde ABRA even vaak overeen met menselijke experts als twee experts onderling overeenstemden en evende of overtrof het een gevestigde cross-correlatiemethode die in een ander populair ABR-pakket wordt gebruikt. Cruciaal was dat het analyseren van 90 datasets van muizen experts ongeveer een uur kostte met de hand, maar met ABRA minder dan een minuut, een versnelling van ongeveer 75 keer.

Wat dit betekent voor gehooronderzoek

ABRA verandert wat vroeger een langzaam, subjectief onderdeel van gehoorexperimenten was in een snel, gestandaardiseerd en deelbaar proces. Omdat het open source is, gratis online beschikbaar en in staat meerdere gangbare bestandsformaten te lezen, kan het in veel bestaande workflows worden geïntegreerd zonder speciale programmeervaardigheden. De huidige modellen zijn getraind op muisgegevens en het best gevalideerd voor de eerste ABR-golf, dus zeer ongewone gevallen of andere soorten kunnen nog steeds deskundige beoordeling of toekomstige retraining vereisen. Toch laat de toolbox zien hoe kunstmatige intelligentie complexe biologische signalen kan begrijpen, waardoor wetenschappers kunnen bestuderen hoe gehoor faalt door veroudering, lawaai of ziekte — en uiteindelijk bijdraagt aan inspanningen om zowel gehoor als hersengezondheid te beschermen.

Bronvermelding: 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

Trefwoorden: gehoorverlies, auditieve hersenstamreactie, deep learning, geautomatiseerde signaalanalyse, muisneurowetenschap