En öppen källkod verktygslåda baserad på djupinlärning för automatiserad analys av auditiva hjärnstamsresponser (ABRA)

Varför bättre hörseltester spelar roll

När människor lever längre blir hörselnedsättning ett av de vanligaste hälsoproblemen i världen. Det gör mer än att försvåra samtal; det kopplas nu till minnesproblem och demens senare i livet. För att förstå och behandla hörselnedsättning förlitar sig forskare på en särskild typ av elektrisk avläsning från örat och hjärnstammen som kallas auditiv hjärnstamsrespons, eller ABR. Dessa inspelningar är kraftfulla men kräver traditionellt att experter granskar kurvor för hand — en långsam och subjektiv process. Denna artikel presenterar ABRA, en kostnadsfri, automatiserad programverktygslåda som använder modern artificiell intelligens för att läsa dessa signaler snabbt och konsekvent.

Från klick i örat till vågor på skärmen

När ett kort ljud spelas upp i örat fyrar små sinnesceller i innerörat och de följande nervfibrerna i en snabb burst. Denna aktivitet färdas upp genom hjärnstammen och kan fångas upp av elektroder placerade på huvudet. Resultatet är ett ABR-spår: en serie små vågor som uppträder inom de första tusendelar av en sekund efter ljudet. Hos möss speglar den första stora vågen aktiviteten i hörselnerven och är särskilt känslig för tidig skada i snäckan, inklusive förlusten av kopplingarna (synapserna) mellan nervfibrer och hårceller. Forskare läser dessa vågor för att uppskatta hur högt ett ljud måste vara för att höras (tröskeln) och hur starka och snabba nervsvaren är. Små skift i dessa mått kan avslöja dolda skador innan de syns i standardiserade hörseltester.

Problemet med manuell avläsning

Även om ABR-test är objektiva inspelningar är sättet de analyseras på ofta inte det. Olika laboratorier använder olika programvara, och även erfarna granskare kan vara oeniga om exakt var en våg börjar, når sin topp och slutar, särskilt när signalerna är svaga eller brusiga. Att manuellt markera tusentals spår från stora experiment kan ta många timmar och försvårar jämförelser mellan studier. Vissa grupper har försökt rule-baserade datormetoder eller traditionella maskininlärningstekniker, men dessa har begränsad flexibilitet och kan ha svårt att hantera den stora variationen i inspelningsinställningar, musstammar och typer av hörselskador som används i modern forskning.

En ny automatiserad verktygslåda

ABRA (Auditory Brainstem Response Analyzer) tar sig an dessa utmaningar genom att kombinera djupinlärningsmodeller med ett användarvänligt gränssnitt. Författarna tränade konvolutionella neurala nätverk, en typ av artificiell intelligens som utmärker sig på att känna igen komplexa mönster, på mer än tjugotusen ABR-inspelningar insamlade från tre oberoende hörselforskningslaboratorier. Trots skillnader i utrustning, ljudinställningar och musmodeller — inklusive djur som åldrats snabbare eller utsatts för högt ljud — lärde sig samma modeller att upptäcka viktiga vågdrag och att skilja verkliga hörselresponser från bakgrundsbrus. ABRA inkluderar två huvudverktyg: ett som bestämmer tidpunkten och höjden för den första ABR-vågen, och ett annat som avgör, över en serie ljudnivåer, vilken nivå som markerar den verkliga hörseltröskeln.

Så exakt som experter, tiotals gånger snabbare

För att bedöma hur väl ABRA fungerar jämförde teamet dess automatiska mätningar med tusentals människomarkerade etiketter. För den första vågen i ABR låg ABRAs uppskattningar av tidpunkt och storlek nästan alltid inom en bråkdel av en millisekund och en bråkdel av en mikrovolt från experternas markeringar, där de största felen endast uppstod när själva signalen knappt var synlig. För tröskelidentifiering testades flera typer av maskininlärningsmodeller, och djupinlärningsmetoden överträffade enklare metoder över alla mått på noggrannhet. I direkt jämförelse höll ABRA med experterna ungefär lika ofta som två experter höll med varandra och matchade eller överträffade en etablerad korskorrelationsmetod som används i ett annat populärt ABR-paket. Viktigt är att analysen av 90 dataset från möss tog experter ungefär en timme manuellt men under en minut med ABRA, en hastighetsökning på cirka 75 gånger.

Vad detta betyder för hörselforskningen

ABRA förvandlar vad som tidigare var ett långsamt, subjektivt steg i hörselexperiment till en snabb, standardiserad och delbar process. Eftersom den är öppen källkod, fritt tillgänglig online och kan läsa flera vanliga filformat, kan den integreras i många befintliga arbetsflöden utan särskilda programmeringskunskaper. De nuvarande modellerna är tränade på musdata och är bäst validerade för den första ABR-vågen, så mycket ovanliga fall eller andra arter kan fortfarande kräva expertgranskning eller framtida omträning. Trots det visar verktygslådan hur artificiell intelligens kan tolka komplexa biologiska signaler och hjälpa forskare att studera hur hörseln sviktar med ålder, buller eller sjukdom — och i slutändan stödja insatser för att skydda både hörsel och hjärnhälsa.

Citering: 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

Nyckelord: hörselnedsättning, auditiv hjärnstamsrespons, djupinlärning, automatiserad signalanalys, musneurovetenskap