Открытый набор инструментов на основе глубокого обучения для автоматизированного анализа слуховых вызванных потенциалов ствола мозга (ABRA)

Почему важны более точные тесты слуха

По мере того как люди живут дольше, потеря слуха становится одной из самых распространённых проблем со здоровьем во всём мире. Она не только затрудняет общение; сейчас потеря слуха связывается с нарушениями памяти и деменцией в более позднем возрасте. Чтобы понять и лечить потерю слуха, учёные используют специальный тип электрической записи из уха и ствола мозга, называемый слуховым стволовым ответом (ABR). Эти записи информативны, но традиционно требуют, чтобы эксперты визуально анализировали «кривые» — это медленный и субъективный процесс. В этой статье представлен ABRA, бесплатный автоматизированный набор инструментов, который использует современные методы искусственного интеллекта для быстрого и последовательного чтения этих сигналов.

От щелчка в ухе до волн на экране

Когда в ухо подаётся короткий звук, крошечные рецепторные клетки внутреннего уха и сопровождающие их нервные волокна отвечают быстрым всплеском активности. Эта активность проходит по стволу мозга и может быть зафиксирована электродами на голове. В результате получается след ABR: серия небольших волн, возникающих в первые несколько тысячных долей секунды после звука. У мышей первая крупная волна отражает активность слухового нерва и особенно чувствительна к раннему повреждению улитки, включая потерю синаптических связей между волокнами нервов и волосковыми клетками. Исследователи анализируют эти волны, чтобы оценить, насколько громким должен быть звук, чтобы его услышали (порог), а также насколько сильны и быстры нервные ответы. Небольшие сдвиги в этих показателях могут выявить скрытое повреждение до того, как оно проявится при стандартных тестах слуха.

Проблема ручного чтения

Хотя тесты ABR дают объективные записи, их анализ часто таким не является. Разные лаборатории используют разное программное обеспечение, и даже опытные рецензенты могут расходиться во мнениях о том, где именно начинается волна, где её пик и где она заканчивается, особенно при слабых или зашумлённых сигналах. Ручная разметка тысяч следов из больших экспериментов может занять много часов и затрудняет сравнение результатов между исследованиями. Некоторые группы пробовали методы на основе правил или традиционные техники машинного обучения, но у них ограниченная гибкость, и они не всегда справляются с большим разнообразием условий записи, штаммов мышей и типов повреждений слуха, используемых в современной науке.

Новый автоматизированный набор инструментов

ABRA (Auditory Brainstem Response Analyzer) решает эти задачи, сочетая модели глубокого обучения с удобным интерфейсом. Авторы обучили сверточные нейронные сети — тип искусственного интеллекта, хорошо распознающий сложные шаблоны — на более чем двадцати тысячах ABR-записей, собранных в трёх независимых лабораториях, занимающихся исследованием слуха. Несмотря на различия в оборудовании, настройках звука и моделях мышей — включая животных с ускорённым старением или подвергавшихся сильному шуму — те же модели научились обнаруживать ключевые особенности волн и отличать истинные ответы слуха от фонового шума. ABRA включает два основных инструмента: один точно определяет время и амплитуду первой волны ABR, другой решает, какой уровень звука по серии амплитуд соответствует реальному порогу слуха.

Так же точно, как эксперты, но в десятки раз быстрее

Чтобы оценить работу ABRA, команда сравнила автоматические измерения с тысячами разметок, выполненных людьми. Для первой волны ABR оценки ABRA по времени и величине почти всегда укладывались в крошечные доли миллисекунды и доли микровольта по сравнению с пометками экспертов; наибольшие ошибки появлялись лишь тогда, когда сам сигнал был едва заметен. Для обнаружения порога были протестированы несколько типов моделей машинного обучения, и подход на основе глубокого обучения превзошёл более простые методы по всем показателям точности. В парных сравнениях ABRA согласовывался с экспертными оценками примерно так же часто, как два эксперта соглашались между собой, и сопоставлялся или превосходил известный метод кросс-корреляции, используемый в другом популярном пакете для ABR. Важно, что анализ 90 наборов данных мышей занимал у экспертов около часа при ручной обработке, но менее минуты с ABRA — ускорение примерно в 75 раз.

Что это значит для исследований слуха

ABRA превращает то, что раньше было медленным и субъективным этапом в экспериментах по слуху, в быстрый, стандартизированный и удобный для совместного использования процесс. Поскольку инструмент с открытым исходным кодом, свободно доступен в сети и поддерживает несколько распространённых форматов файлов, его можно встроить в многие существующие рабочие процессы без специальных навыков программирования. Текущие модели обучены на данных мышей и наилучшим образом валидированы для первой волны ABR, поэтому очень необычные случаи или другие виды могут по‑прежнему требовать экспертной проверки или дополнительной дообучки. Тем не менее набор инструментов демонстрирует, как искусственный интеллект помогает интерпретировать сложные биологические сигналы, облегчая учёным изучение того, как слух нарушается с возрастом, под воздействием шума или болезни — и в конечном счёте поддерживая усилия по сохранению слуха и здоровья мозга.

Цитирование: 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

Ключевые слова: потеря слуха, слуховой стволовой ответ, глубокое обучение, автоматизированный анализ сигналов, нейронаука на мышах