Açık kaynaklı, derin öğrenme tabanlı otomatik işitme beyin sapı yanıtı analizleri için araç kutusu (ABRA)

Neden Daha İyi İşitme Testleri Önemli?

İnsanlar daha uzun yaşadıkça, işitme kaybı dünya çapında en yaygın sağlık sorunlarından biri haline geliyor. Sadece konuşmaları zorlaştırmakla kalmıyor; şimdi hafıza sorunları ve ileride demansla ilişkilendiriliyor. İşitme kaybını anlamak ve tedavi etmek için bilim insanları kulağa ve beyin sapına ait özel bir elektrik kaydına, işitsel beyin sapı yanıtına (ABR) güvenirler. Bu kayıtlar güçlüdür ancak geleneksel olarak uzmanların dalgalı çizgileri gözle incelemesini gerektirir; bu yavaş ve özneldir. Bu makale, bu sinyalleri hızlı ve tutarlı şekilde okuyan modern yapay zekâ kullanan ABRA adında ücretsiz, otomatik bir yazılım araç kutusunu tanıtıyor.

Kulağa Verilen Tıklardan Ekrandaki Dalgalara

Kısa bir ses kulağa verildiğinde, iç kulaktaki küçük duyu hücreleri ve onları izleyen sinir lifleri hızlı bir patlama halinde ateşler. Bu etkinlik beyin sapı boyunca ilerler ve başa yerleştirilen elektrotlarla yakalanabilir. Sonuç, sesin ardından ilk birkaç milisaniye içinde görülen küçük dalgalardan oluşan bir ABR izidir. Farelerde ilk büyük dalga işitsel sinirdeki etkinliği yansıtır ve özellikle kokleadaki erken hasara, sinir lifleri ile tüylü hücreler arasındaki bağlantıların (sinapsların) kaybına duyarlıdır. Araştırmacılar bu dalgaları, bir sesin duyulabilmesi için ne kadar yüksek olması gerektiğini (eşik) ve sinir yanıtlarının ne kadar güçlü ve hızlı olduğunu tahmin etmek için okurlar. Bu ölçümlerdeki küçük kaymalar, standart işitme testlerinde ortaya çıkmadan önce gizli hasarı ortaya çıkarabilir.

Elle Okumanın Sorunları

ABR testleri nesnel kayıtlara dayansa da, bunların nasıl analiz edildiği genellikle nesnel değildir. Farklı laboratuvarlar farklı yazılımlar kullanır ve deneyimli değerlendirenler bile bir dalganın tam olarak nerede başladığına, zirveye ulaştığına ve bittiğine özellikle sinyaller zayıf veya gürültülü olduğunda anlaşamayabilir. Büyük deneylerden binlerce izi elle işaretlemek saatler alabilir ve çalışmalar arasında karşılaştırmayı zorlaştırır. Bazı gruplar kural tabanlı bilgisayar yöntemleri veya geleneksel makine öğrenimi teknikleri denedi, ancak bunlar sınırlı esnekliğe sahip olup modern araştırmalarda kullanılan geniş kayıt ayarları, fare soyları ve işitme hasarı türleriyle iyi başa çıkamayabilir.

Yeni Bir Otomatik Araç Kutusu

ABRA (Auditory Brainstem Response Analyzer) bu zorlukları derin öğrenme modellerini kullanıcı dostu bir arayüzle birleştirerek ele alır. Yazarlar, karmaşık desenleri tanımada başarılı bir yapay zekâ türü olan konvolüsyonel sinir ağlarını üç bağımsız işitme araştırma laboratuvarından toplanan yirmi binden fazla ABR kaydı üzerinde eğittiler. Ekipman, ses ayarları ve fare modellerindeki farklılıklara—daha hızlı yaşlanan veya yüksek sese maruz kalan hayvanlar dahil—rağmen aynı modeller dalgaların ana özelliklerini tespit etmeyi ve gerçek işitmeyi yansıtan yanıtları yalnızca arka plan gürültüsünden ayırmayı öğrendi. ABRA iki ana araç içerir: birincisi ilk ABR dalgasının zamanını ve yüksekliğini belirler; ikincisi ise bir dizi ses seviyesi boyunca hangi seviyenin gerçek işitme eşiğini oluşturduğunu kararlaştırır.

Uzmanlar Kadar Doğru, Onlarca Kat Daha Hızlı

ABRA’nın ne kadar iyi çalıştığını görmek için ekip otomatik ölçümlerini binlerce insan yapımı etiketiyle karşılaştırdı. ABR’nin ilk dalgası için ABRA’nın zaman ve büyüklük tahminleri, neredeyse her zaman uzman işaretlemelerinin milisaniyenin çok küçük bir kesri ve mikrovoltun çok küçük bir kesri içinde kaldı; en büyük hatalar yalnızca sinyal neredeyse görünmez olduğunda ortaya çıktı. Eşik tespiti için çeşitli makine öğrenimi modelleri test edildi ve derin öğrenme yaklaşımı tüm doğruluk ölçütlerinde daha basit yöntemleri geride bıraktı. Kafa kafaya karşılaştırmalarda ABRA, insan uzman değerlendiricilerle insan uzmanların birbirleriyle ne sıklıkta uyuştuğu kadar sıklıkla uyuştu ve başka bir popüler ABR paketinde kullanılan yerleşik çapraz-korelasyon yöntemine denk ya da ondan daha iyi performans gösterdi. Önemli olarak, 90 fare veri setinin elle analiz edilmesi uzmanlara yaklaşık bir saat alırken ABRA ile bu sadece bir dakikadan az sürdü; bu yaklaşık 75 kat hızlanma demekti.

İşitme Araştırmaları İçin Anlamı

ABRA, işitme deneylerinde eskiden yavaş ve öznellik içeren bir adımı hızlı, standartlaştırılmış ve paylaşılabilir bir sürece dönüştürüyor. Açık kaynaklı, çevrimiçi ücretsiz erişilebilir ve birden fazla yaygın dosya formatını okuyabilme yeteneği sayesinde özel programlama becerileri gerektirmeden birçok mevcut iş akışına entegre edilebilir. Mevcut modeller fare verileri üzerinde eğitilmiş olup ilk ABR dalgası için en iyi şekilde doğrulanmıştır; bu yüzden çok alışılmadık vakalar veya diğer türlerin hâlâ uzman incelemesi veya gelecekte yeniden eğitimi gerekebilir. Yine de araç kutusu, yapay zekânın karmaşık biyolojik sinyalleri nasıl anlaşılır kılabileceğini gösteriyor; bu, bilim insanlarının işitmenin yaşlanma, gürültü veya hastalıkla nasıl bozulduğunu incelemesine yardımcı oluyor ve nihayetinde hem işitme hem de beyin sağlığını koruma çabalarını destekliyor.

Atıf: 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

Anahtar kelimeler: işitme kaybı, işitsel beyin sapı yanıtı, derin öğrenme, otomatik sinyal analizi, fare nörobilimi