《Audiology Research》:Therapeutic Assessment of TrkB Agonist in a Unilateral Blast-Induced Hearing Loss Mouse Model
Sung Kyun Kim,
Han-Gyu Bae and
Jun Hee Kim
编辑推荐:
背景:听力损失影响全球超过4.66亿人,被公认为阿尔茨海默病的主要风险因素,但由于病因的复杂性和多样性,治疗个性化仍然有限。当前的诊断和治疗方法缺乏标准化手段来准确预测最适合个体患者的干预措施。将医学本体论与机器学习相结合,为提高诊断准确性和治疗个性化提供了有
背景:听力损失影响全球超过4.66亿人,被公认为阿尔茨海默病的主要风险因素,但由于病因的复杂性和多样性,治疗个性化仍然有限。当前的诊断和治疗方法缺乏标准化手段来准确预测最适合个体患者的干预措施。将医学本体论与机器学习相结合,为提高诊断准确性和治疗个性化提供了有前景的解决方案。目的:本研究旨在(i)使用语义网规则语言(Semantic Web Rule Language,SWRL)开发与系统化临床术语命名法(Systematized Nomenclature of Medicine—Clinical Terms,SNOMED CT)对齐的听力损失临床本体论,用于自动推理;(ii)实施基于本体论增强患者数据训练的随机森林(Random Forest)分类器,以分类听力损失类型(传导性、感音神经性、混合性或正常);(iii)基于实际患者数据中的侧别、严重程度、听力阈值和病史,预测最优个性化治疗。方法:研究人员使用Protégé 5.6.3开发任务本体论(采用Web本体语言[Web Ontology Language,OWL]),集成SNOMED CT术语对齐,并使用Pellet 2.2.0推理器执行SWRL规则。该框架在2015–2016年美国国家健康与营养调查(National Health and Nutrition Examination Survey,NHANES)数据集中的3723名成年患者(具有完整听力测量和临床数据)上进行训练和评估。采用80–20训练测试拆分、分层抽样和五折交叉验证开发随机森林模型。使用准确率、精确率、召回率、F1分数和对数损失指标,比较基于K均值聚类(K-Means clustering)标注与基于本体论语义推理的性能。结果:本体论成功为所有3723名患者生成语义标签,实现了听力损失类型、严重程度和侧别的精确分类。结合K均值聚类的随机森林模型达到90.2%的测试准确率,对数损失为0.2766,交叉验证平均准确率为91.22%(标准差1.2%)。本体论语义增强的集成显著提升了性能,测试准确率达92.48%,交叉验证平均准确率为92.80%(标准差0.9%)。所有类别的F1分数均有所改善,其中混合性听力损失从0.86显著提升至0.92。特征重要性分析确定听力阈值、本体论衍生的严重度标签和病史为最预测指标,增强了临床可解释性。结论:本研究表明,将SNOMED CT对齐的本体论与随机森林分类相结合,可实现更高的诊断准确性,并为听力损失提供个性化治疗建议。该混合框架在确保与电子健康记录语义互操作的同时,提供临床可解释的决策支持。在临床部署前,需要进行多机构验证研究以评估跨不同人群的泛化能力。
**论文解读**
**研究背景与问题**
听力损失是全球性健康挑战,影响超过4.66亿人,且被列为阿尔茨海默病的主要可调控风险因素之一。然而,现有治疗高度依赖“一刀切”模式,缺乏针对患者个体差异(如听力阈值组合、合并症、生活方式)的精准干预。尽管个性化医疗在其他医学领域已显示出潜力,但听力损失诊疗仍面临诊断标准不统一、治疗方案泛化、数据语义互操作性差等瓶颈。当前机器学习模型虽能实现分类,但多为“黑箱”系统,缺乏可解释性;而本体论仅侧重知识表示,未与预测分析整合。因此,亟需一种融合结构化医学知识与数据驱动方法的混合框架,以提升诊断精度并支持个性化治疗决策。
**研究内容与意义**
研究人员构建了与系统化临床术语命名法(SNOMED CT)对齐的听力损失临床本体论,并集成随机森林(Random Forest)机器学习模型,在3723名美国国家健康与营养调查(NHANES)2015–2016周期成人患者数据上验证。该混合框架实现了92.48%的分类准确率(听力损失类型:正常、传导性、感音神经性、混合性),并基于侧别、严重度、病史等特征给出个性化治疗建议(助听器、人工耳蜗等)。研究意义在于:首次将SNOMED CT标准术语与本体推理、预测建模结合,填补了听力学领域语义互操作与个性化决策支持之间的空白;通过特征重要性分析增强临床可解释性,为电子健康记录(EHR)集成提供了标准化路径。论文发表在《Audiology Research》。
**关键技术方法**
研究人员利用NHANES 2015–2016数据集(3723名成人,包含双侧纯音阈值、病史、生活方式等完整数据),采用两种互补标注策略:无监督K均值聚类(K-Means)和基于Protégé 5.6.3开发的任务本体论(含SWRL规则,由Pellet 2.2.0推理器执行)。本体论将SNOMED CT概念嵌入,通过类层次与属性(如Has_Type、Has_Severity)自动生成语义标签。随机森林模型以80–20训练测试拆分、五折交叉验证进行训练和评估,比较K均值聚类与本体增强输入的性能差异。
**研究结果**
*3.1 本体推理结果*
本体论成功为全部3723名患者自动生成听力损失类型、严重度、侧别和治疗建议的语义标签。推理引擎通过SWRL规则(如混合性听力损失规则:同时存在传导性和感音神经性特征时自动归类)推断出原始数据中未显式标注的属性,丰富了特征集。
*3.2 基于K均值聚类的随机森林分类*
随机森林模型结合K均值聚类标注,测试准确率90.2%,对数损失0.2766。各类F1分数在0.85(正常听力)至0.91(感音神经性听力损失)之间。五折交叉验证平均准确率91.22%(标准差1.2%),表明性能稳定。
*3.3 基于本体增强的随机森林分类*
引入本体语义标签后,测试准确率提升至92.48%,对数损失0.3842。所有类别的F1分数均提高,其中混合性听力损失从0.86升至0.92(提升6个百分点),正常听力从0.85升至0.89。交叉验证平均准确率92.80%(标准差0.9%),稳定性更优。对数损失增加反映了模型在边界病例中给出更保守的概率估计,这在临床上可能更为可取。
*3.4 特征重要性分析*
特征重要性排序显示,高频听力阈值(4000 Hz和6000 Hz)是最强预测因子,本体衍生特征(严重度、侧别标签)位列前十,病史变量(糖尿病、高血压、噪声暴露)和年龄也贡献显著。特征分布相对均衡,表明模型整合了多源互补信息。
*3.5 性能对比总结*
本体增强模型在准确率(+2.28个百分点)、各F1分数及交叉验证标准差(0.9% vs. 1.2%)上均优于K均值基线,尤其在复杂类别(混合性、正常听力)上优势明显。
**讨论与结论**
讨论部分指出,本体增强随机森林凭借结构化临床知识(如混合性听力损失的病理机制)显著优于纯统计聚类,后者仅基于数值相似性而忽略临床关系。与已报道的机器学习模型(准确率85–91%)相比,本框架兼具高准确率和语义可解释性。SNOMED CT对齐确保与EHR系统的互操作性,可支持跨机构数据交换和标准化文档。技术方面,较高的对数损失反而反映模型概率校准更谨慎,有利于临床决策。局限性包括:数据集仅限成人(需扩大至儿童)、缺乏遗传/影像数据、本体推理计算开销、未进行前瞻性验证。未来方向包括:扩展至儿科和纵向数据、整合深度学习架构(如Transformer)、开发易用临床界面。
**研究结论翻译**
本研究提出一种新颖的混合框架,整合SNOMED CT对齐的临床本体论与随机森林机器学习,以推进听力损失诊断和个性化治疗建议。该模型在NHANES数据集的3723名成人患者上开发并验证,对听力损失类型(正常、传导性、感音神经性、混合性)实现了92.48%的分类准确率,并给出相应治疗推荐,显著超越K均值聚类基线(高出2.28个百分点)。本体论利用SWRL规则(由Pellet 2.2.0推理器执行)实现了精确的语义标注和特征增强,显著提升了模型捕捉复杂临床模式的能力,所有类别的F1分数均提高,尤其混合性听力损失(从0.86至0.92)和正常听力(从0.85至0.89)改善突出。该方法与SNOMED CT的对齐确保与全球医学标准和EHR系统的语义互操作性,为临床工作流程的无缝集成和跨机构数据交换提供便利。交叉验证结果(平均准确率92.80%,标准差0.9%)展示了强大的泛化能力和模型稳定性,提供了跨不同患者人群的性能可靠性信心。尽管存在若干局限性,但所展现的性能和临床可解释性表明其可作为听力学实践中的决策支持工具直接应用,尤其适用于结构推理可辅助临床判断的复杂或模糊病例。未来研究应扩大患者队列、融入遗传和影像数据、探索深度学习架构并保持可解释性、扩展本体论以涵盖治疗结果和不良事件,以及开发直观的临床界面。总之,本研究为听力学中知识驱动的人工智能建立了严谨基础,证明了混合语义-预测系统在精准医学中的有效性,为通过领域知识与数据驱动分析的整合推进个性化医疗提供了可扩展且可适应的模型。