Um kit de ferramentas de código aberto baseado em deep learning para análises automatizadas da resposta auditiva do tronco encefálico (ABRA)

Por que testes auditivos melhores são importantes

À medida que as pessoas vivem mais, a perda auditiva está se tornando um dos problemas de saúde mais comuns no mundo. Ela faz mais do que dificultar conversas; agora está associada a problemas de memória e demência em idades posteriores. Para entender e tratar a perda auditiva, cientistas dependem de um tipo especial de registro elétrico do ouvido e do tronco encefálico chamado resposta auditiva do tronco encefálico, ou ABR. Esses registros são poderosos, mas tradicionalmente exigem que especialistas inspecionem linhas onduladas a olho nu, um processo lento e subjetivo. Este artigo apresenta o ABRA, um conjunto de ferramentas de software gratuito e automatizado que usa inteligência artificial moderna para interpretar esses sinais de forma rápida e consistente.

De cliques no ouvido a ondas na tela

Quando um som breve é emitido no ouvido, pequenas células sensoriais na orelha interna e as fibras nervosas que as seguem disparam em um estouro rápido. Essa atividade viaja pelo tronco encefálico e pode ser captada por eletrodos colocados na cabeça. O resultado é um traçado de ABR: uma série de pequenas ondas que aparecem nos primeiros milésimos de segundo após o som. Em camundongos, a primeira onda grande reflete a atividade no nervo auditivo e é particularmente sensível a danos iniciais na cóclea, incluindo a perda das conexões (sinapses) entre fibras nervosas e células ciliadas. Pesquisadores interpretam essas ondas para estimar quão alto um som precisa ser para ser ouvido (o limiar) e quão fortes e rápidas são as respostas nervosas. Pequenas variações nessas medidas podem revelar lesões ocultas antes que se manifestem em testes auditivos padrão.

O problema da leitura manual

Embora os testes de ABR sejam registros objetivos, a maneira como são analisados frequentemente não é. Diferentes laboratórios usam softwares diferentes, e até revisores experientes podem discordar exatamente sobre onde uma onda começa, atinge o pico e termina, especialmente quando os sinais são fracos ou ruidosos. Marcar manualmente milhares de traçados de grandes experimentos pode levar muitas horas e dificulta a comparação de resultados entre estudos. Alguns grupos tentaram métodos computacionais baseados em regras ou técnicas tradicionais de machine learning, mas esses têm flexibilidade limitada e podem não lidar bem com a grande variedade de configurações de gravação, cepas de camundongos e tipos de dano auditivo usados na pesquisa moderna.

Um novo kit de ferramentas automatizado

O ABRA (Auditory Brainstem Response Analyzer) enfrenta esses desafios combinando modelos de deep learning com uma interface amigável. Os autores treinaram redes neurais convolucionais, um tipo de inteligência artificial que se destaca em reconhecer padrões complexos, com mais de vinte mil registros de ABR coletados em três laboratórios independentes de pesquisa auditiva. Apesar das diferenças em equipamentos, configurações sonoras e modelos de camundongos — incluindo animais que envelhecem mais rápido ou foram expostos a ruído intenso — os mesmos modelos aprenderam a detectar características-chave das ondas e a distinguir respostas que realmente refletem audição daquelas que são apenas ruído de fundo. O ABRA inclui duas ferramentas principais: uma que identifica com precisão o tempo e a altura da primeira onda do ABR, e outra que decide, ao longo de uma série de níveis sonoros, qual nível marca o verdadeiro limiar auditivo.

Tão preciso quanto especialistas, dezenas de vezes mais rápido

Para avaliar o desempenho do ABRA, a equipe comparou suas medições automáticas com milhares de rótulos feitos por humanos. Para a primeira onda do ABR, as estimativas de tempo e amplitude do ABRA quase sempre ficaram dentro de uma pequena fração de milissegundo e de microvolt em relação às marcações de especialistas, com os maiores erros ocorrendo apenas quando o sinal em si mal era visível. Para a detecção de limiar, vários tipos de modelos de machine learning foram testados, e a abordagem de deep learning superou métodos mais simples em todas as medidas de acurácia. Em comparações diretas, o ABRA concordou com avaliadores humanos especialistas tanto quanto dois especialistas concordavam entre si e igualou ou superou um método estabelecido de correlação cruzada usado em outro pacote popular de ABR. De forma crucial, analisar 90 conjuntos de dados de camundongos levou especialistas cerca de uma hora manualmente, mas menos de um minuto com o ABRA, uma aceleração de aproximadamente 75 vezes.

O que isso significa para a pesquisa auditiva

O ABRA transforma o que costumava ser uma etapa lenta e subjetiva em experimentos auditivos em um processo rápido, padronizado e compartilhável. Por ser de código aberto, disponível gratuitamente online e capaz de ler vários formatos de arquivo comuns, ele pode ser integrado a muitos fluxos de trabalho existentes sem necessidade de habilidades avançadas de programação. Os modelos atuais foram treinados com dados de camundongos e são mais bem validados para a primeira onda do ABR, então casos muito incomuns ou outras espécies ainda podem exigir revisão por especialistas ou re-treinamento futuro. Mesmo assim, o kit de ferramentas demonstra como a inteligência artificial pode interpretar sinais biológicos complexos, ajudando cientistas a estudar como a audição falha com a idade, o ruído ou a doença — e, em última instância, apoiando esforços para proteger tanto a audição quanto a saúde cerebral.

Citação: 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

Palavras-chave: perda auditiva, resposta auditiva do tronco encefálico, deep learning, análise automatizada de sinais, neurociência em camundongos