Otwarte oprogramowanie oparte na głębokim uczeniu do zautomatyzowanej analizy słuchowych odpowiedzi pnia mózgu (ABRA)

Dlaczego lepsze testy słuchu mają znaczenie

W miarę jak ludzie żyją dłużej, utrata słuchu staje się jednym z najczęstszych problemów zdrowotnych na świecie. To nie tylko utrudnia rozmowy; wiąże się też z zaburzeniami pamięci i demencją w późniejszym życiu. Aby rozumieć i leczyć utratę słuchu, naukowcy polegają na specjalnym rodzaju zapisu elektrycznego z ucha i pnia mózgu, zwanym słuchową odpowiedzią pnia mózgu (ABR). Te zapisy są potężnym narzędziem, lecz tradycyjnie wymagają, by eksperci oglądali krzywe wzrokowo — to proces powolny i subiektywny. W artykule przedstawiono ABRA, darmowe, zautomatyzowane narzędzie programowe, które wykorzystuje nowoczesną sztuczną inteligencję do szybkiego i spójnego odczytywania tych sygnałów.

Od kliknięć w uchu do fal na ekranie

Kiedy do ucha podany zostaje krótki dźwięk, drobne komórki zmysłowe w uchu wewnętrznym i powiązane z nimi włókna nerwowe wyładowują się w szybkim skurczu. Ta aktywność przemieszcza się w górę pnia mózgu i może być zarejestrowana przez elektrody umieszczone na głowie. Wynikiem jest zapis ABR: seria małych fal pojawiających się w ciągu pierwszych kilku tysięcznych sekundy po dźwięku. U myszy pierwsza duża fala odzwierciedla aktywność nerwu słuchowego i jest szczególnie wrażliwa na wczesne uszkodzenia w ślimaku, w tym utratę połączeń (synaps) między włóknami nerwowymi a komórkami rzęsatymi. Badacze odczytują te fale, aby oszacować, jak głośny musi być dźwięk, żeby został usłyszany (próg) oraz jak silne i szybkie są odpowiedzi nerwowe. Nawet niewielkie przesunięcia w tych miarach mogą ujawniać ukryte uszkodzenia, zanim pojawią się w standardowych testach słuchu.

Problem z ręczną analizą

Chociaż testy ABR są obiektywnymi zapisami, sposób ich analizy często taki nie jest. Różne laboratoria używają różnych programów, a nawet doświadczeni recenzenci mogą się nie zgadzać co do dokładnego początku, szczytu i końca fali, zwłaszcza gdy sygnały są słabe lub zaszumione. Ręczne oznaczanie tysięcy zapisów z dużych eksperymentów może zająć wiele godzin i utrudnia porównywanie wyników między studiami. Niektóre grupy próbowały stosować metody oparte na regułach lub tradycyjne techniki uczenia maszynowego, ale mają one ograniczoną elastyczność i mogą nie radzić sobie z dużą różnorodnością ustawień rejestracji, szczepów myszy i rodzajów uszkodzeń słuchu stosowanych we współczesnych badaniach.

Nowe zautomatyzowane narzędzie

ABRA (Auditory Brainstem Response Analyzer) stawia czoła tym wyzwaniom, łącząc modele głębokiego uczenia z przyjaznym interfejsem użytkownika. Autorzy wytrenowali sieci konwolucyjne, rodzaj sztucznej inteligencji świetnie radzącej sobie z rozpoznawaniem złożonych wzorców, na ponad dwudziestu tysiącach zapisów ABR zebranych w trzech niezależnych laboratoriach badań słuchu. Pomimo różnic w sprzęcie, ustawieniach dźwięku i modelach myszy — w tym zwierząt, które starzały się szybciej lub były narażone na głośny hałas — te same modele nauczyły się wykrywać kluczowe cechy fal i odróżniać odpowiedzi rzeczywiście odzwierciedlające słyszenie od tych będących jedynie szumem tła. ABRA zawiera dwa główne narzędzia: jedno lokalizuje czas i amplitudę pierwszej fali ABR, a drugie decyduje, spośród serii poziomów dźwięku, który poziom oznacza rzeczywisty próg słyszenia.

Tak dokładne jak eksperci, kilkadziesiąt razy szybciej

Aby ocenić skuteczność ABRA, zespół porównał jej automatyczne pomiary z tysiącami oznaczeń wykonanych przez ludzi. Dla pierwszej fali ABR oszacowania ABRA dotyczące czasu i wielkości niemal zawsze mieściły się w bardzo małej ułamkowej części milisekundy i ułamku mikrovolta względem oznaczeń ekspertów; największe błędy występowały jedynie wtedy, gdy sam sygnał był ledwo widoczny. Dla wykrywania progu przetestowano kilka typów modeli uczenia maszynowego, a podejście oparte na głębokim uczeniu przewyższało prostsze metody we wszystkich miarach dokładności. W bezpośrednich porównaniach ABRA zgadzała się z oceniającymi ekspertami w podobnym stopniu, w jakim dwaj eksperci zgadzali się między sobą, i dorównywała lub przewyższała ustaloną metodę korelacji krzyżowej stosowaną w innym popularnym pakiecie ABR. Co kluczowe, analiza 90 zestawów danych od myszy zajęła ekspertom około godziny ręcznie, ale mniej niż minutę z ABRA — przyspieszenie rzędu 75 razy.

Co to oznacza dla badań nad słuchem

ABRA przekształca krok, który dawniej był powolny i subiektywny, w eksperymentach słuchowych, w szybki, ustandaryzowany i łatwy do udostępniania proces. Ponieważ jest oprogramowaniem otwartym, dostępnym bezpłatnie online i potrafi odczytywać wiele popularnych formatów plików, można je włączyć do wielu istniejących workflowów bez specjalnych umiejętności programistycznych. Obecne modele są wytrenowane na danych mysich i najlepiej zwalidowane dla pierwszej fali ABR, więc bardzo nietypowe przypadki lub inne gatunki mogą nadal wymagać przeglądu eksperta lub przyszłego dotrenowania. Mimo to narzędzie pokazuje, jak sztuczna inteligencja może porządkować złożone sygnały biologiczne, pomagając naukowcom badać, jak słuch zawodzi z wiekiem, wskutek hałasu lub choroby — i ostatecznie wspierając wysiłki na rzecz ochrony zarówno słuchu, jak i zdrowia mózgu.

Cytowanie: 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

Słowa kluczowe: utraty słuchu, słuchowa odpowiedź pnia mózgu, głębokie uczenie, zautomatyzowana analiza sygnału, neuronauka myszy