综述:听力与听觉障碍中的人工智能与机器学习:一项基于文献计量与主题映射的范围综述(1995–2025)

《Audiology Research》:Artificial Intelligence and Machine Learning in Audiology and Hearing Disorders: A Scoping Review with Bibliometric and Thematic Mapping (1995–2025) Ceren Aksoy Ko?ak

【字体: 大 中 小 】 时间:2026年03月06日 来源:Audiology Research 1.7

编辑推荐:

  背景与目的:人工智能(AI)与机器学习(ML)正日益融入听力学领域,支持诊断、筛查、康复及数字健康。尽管发展迅速,现有文献在方法学和临床上仍存在显著异质性,限制了研究轨迹和转化准备度的综合认识。本范围综述考察了AI与ML在听力学和听力障碍中的应用演变,重点关注

  
背景与目的:人工智能(AI)与机器学习(ML)正日益融入听力学领域,支持诊断、筛查、康复及数字健康。尽管发展迅速,现有文献在方法学和临床上仍存在显著异质性,限制了研究轨迹和转化准备度的综合认识。本范围综述考察了AI与ML在听力学和听力障碍中的应用演变,重点关注主题发展、研究产出、协作模式及临床导向性。方法:研究人员采用Web of Science核心合集(科学引文索引扩展版)进行范围综述。纳入1995年至2025年间发表的原始文章和综述文章。应用文献计量与主题映射分析发文趋势、引文模式、关键词演变及协作网络。采用结构化转化分类评估临床领域与验证成熟度。研究结果反映Web of Science索引的文献片段。结果:共分析127篇文献。2020年后研究产出显著增加,估计倍增时间约为2.1年。中国、美国和韩国贡献了最高的发文量,但引文影响并未始终与产出一致。主题分析显示研究转向AI驱动的方法学框架,尤其在机器学习、深度学习及人工耳蜗相关应用方面。大多数研究仍处于概念验证或内部验证阶段,外部验证有限。新兴领域包括远程听力学与个性化助听器优化。结论:听力学领域的AI与ML研究日益面向应用;然而,需要更广泛的外部验证和前瞻性实施以支持常规临床整合。
1. 引言
人工智能(AI)与机器学习(ML)正在重塑当代医学研究,尤其在影像学专科中,深度学习系统已达到专家级诊断性能。在听力学领域,AI/ML应用涵盖外耳与中耳疾病自动诊断、听觉信号处理、基于频谱图的自动听力评估、职业性噪声性听力损失预测、人工耳蜗优化及电生理阈值估计等。远程听力学框架与数字健康平台支持远程筛查、诊断与康复。全球听力损失负担超过15亿人,预计至2050年达25亿,凸显可扩展诊断与康复策略需求。然而,现有AI/ML研究在方法学上存在异质性,缺乏综合性的文献计量与主题映射分析。本研究旨在:(i) 表征发文增长与引文模式;(ii) 识别主导与新兴研究主题;(iii) 考察地理与机构协作网络;(iv) 评估已发表应用的转化导向与验证成熟度。

2. 材料与方法
2.1 研究设计
本研究为范围综述,采用文献计量与网络分析作为补充工具描述研究趋势、主题演变与协作模式。遵循PRISMA-ScR指南。

2.2 数据来源与检索策略
文献检索于2025年8月5日在Web of Science(WoS)核心合集科学引文索引扩展版(SCI-E)数据库进行。检索策略限定主题检索字段为“Artificial Intelligence”或“Machine Learning”或“Deep Learning”与“hearing loss”或audiology或“hearing aid”或“cochlear implant”或“tele-audiology”与diagnosis或detection或screening或rehabilitation的组合。仅纳入英文、SCI-E索引的原始文章与综述文章,无出版年份限制,最早记录为1995年。因文献计量分析需要标准化引文元数据,仅纳入WoS索引记录。

2.3 研究选择与数据清洗
初步检索获162条记录,经标题与摘要筛选排除不相关研究(如语言学、普通听觉科学、非听力学相关神经科学且无明确AI/ML方法)。误分类记录经手动校正,去重及资格评估后最终纳入127篇文献(111篇原始文章,16篇综述文章)。

2.4 数据分析与文献计量方法
使用VOSviewer(1.6.19版)及Bibliometrix/Biblioshiny包(R4.3.1版)进行文献计量与网络分析。分析包括年度发文趋势、国家与机构产出、作者与期刊贡献、引文影响、关键词共现、主题映射及共被引网络。关键词共现分析识别概念结构与主题聚类。主题映射与战略图分析基于中心性与密度指标。此外,根据临床应用领域与报告验证阶段对记录进行描述性分类。发文增长趋势采用指数回归模型,倍增时间(DT)计算公式为DT=ln(2)/β,拟合优度以R2评估。

3. 结果
3.1 出版物年度分布
共纳入127篇文献(111篇原始文章,16篇综述)。最早文献发表于1995年,发文量在2020年后显著增加,峰值出现在2023年(23篇)、2024年(32篇)与2025年(34篇)。综述文章在2021年后显著增加。指数回归分析显示年发文量约每2.1年翻一番。

3.2 国家产出
中国发文量最多(34篇),其次为美国(20篇)与韩国(14篇)。德国、土耳其与英国亦有显著产出。

3.3 机构产出
机构层面,德国奥尔登堡大学产出最高(4篇)。韩国、中国与美国的若干机构各产出3篇。

3.4 国家与机构的引文影响
引文影响分析显示,智利因单篇高被引论文排名第一(57次引用)。英国(h-index=4)与韩国(h-index=2)展现更一致的引文表现。机构层面,奈梅亨大学获得最高引用次数(176次引用,h-index=4),紧随其后的是埃朗根-纽伦堡大学与爱荷华大学。

3.5 最具影响力期刊与布拉德福定律分析
原始文章多发表于Scientific Reports(8篇)、Hearing Research(6篇)与Frontiers in Neuroscience(6篇)。综述文章以Journal of Clinical Medicine(3篇)为主。布拉德福定律识别出三个生产率区域:Zone 1(9种期刊,43篇)、Zone 2(29种期刊,42篇)、Zone 3(42种期刊,42篇)。

3.6 关键词分析
原始文章中,出现频率最高的作者关键词为machine learning(31次)、deep learning(22次)与hearing loss(17次)。综述文章中,artificial intelligence(9次)与machine learning(8次)占主导。Keywords Plus分析显示hearing loss、classification与diagnosis出现最频繁。原始文章强调临床术语(如adults、noise、recognition),而综述文章突出方法学概念(如neural networks、management、prediction)。

3.7 关键词的时间趋势
2018年前,临床导向关键词如hearing loss与cochlear implant占主导;2019年后,方法学术语如machine learning与deep learning急剧增加;2021年后,machine learning成为最主导关键词。

3.8 合作网络
作者合著网络识别出Liu、Xiao、Schilling、Achim与Shew(Matthew)为核心作者,连接多个合作簇。机构层面,辛辛那提大学、爱荷华大学、顺天乡大学与奈梅亨大学为重要枢纽。国际合著以中美合作最强,英国与德国亦呈高网络中心性。

3.9 最高被引论文与参考文献
最高被引论文为Arias-Vergara等(65次引用),其次为Botros等(63次引用)与Heutink等(55次引用)。其他高被引研究聚焦于ML诊断耳病、深度学习检测中耳炎及预测噪声性听力损失。高被引参考文献包括ResNet、DenseNet、Random Forests、LSTM与scikit-learn等方法学里程碑。

3.10 共被引与主题分析
文章级共被引分析识别出三个主要主题簇:基于AI的听力学评估、人工耳蜗、方法学或文献计量研究。期刊级共被引网络中,Ear and Hearing、Scientific Reports与Hearing Research占据核心位置,临床导向期刊亦居网络中心。基于作者关键词的主题分析显示原始文章包含四个簇:(i) AI/ML方法;(ii) 听力损失亚型;(iii) 听力学评估技术;(iv) 诊断与预测方法。综述文章形成三个主题组:AI/ML技术、临床应用与健康技术(如远程听力学)。主题演变分析显示研究从2007–2019年的临床焦点(如hearing loss、cochlear implant)转向2019年后的方法学主导(如deep learning、neural networks、tele-audiology)。主题映射表明,早期hearing loss与machine learning为驱动主题,2020–2025年deep learning与cochlear implant成为驱动主题。新兴与利基主题包括高频测听、耳鸣、助听器验配与筛查工具。

3.11 资助机构与开放获取特征
最常见资助来源包括国家重点项目、BK21 FOUR计划与顺天香大学研究基金。开放获取方面,65.4%的文献以某种形式开放获取,金色开放获取占最大份额(41.7%),混合型占12.6%,绿色占8.7%,青铜占2.4%,其余34.6%为非开放获取。

3.12 临床应用与验证特征
根据标题、关键词与摘要信息,对纳入文献按主要临床领域、主导AI/ML方法及报告验证阶段进行描述性分类。多数文献集中于听力损失诊断与筛查,其次为人工耳蜗应用与噪声性听力损失预测。深度学习与机器学习方法在几乎所有临床领域占主导。大多数研究为概念验证或内部验证设计,外部验证或前瞻性实施研究相对有限。该分布表明AI/ML研究高度集中于诊断导向应用,而实施导向研究仍有限。

4. 讨论
研究结果显示,2020年后AI/ML研究加速,发文量约每2.1年翻番,与更广泛医学AI领域扩张趋势一致。应用驱动型研究涵盖外耳与中耳病理自动诊断、职业性噪声性听力损失预测、人工耳蜗编程优化及电生理阈值估计。深度学习已应用于基于计算机断层扫描(CT)的慢性中耳炎影像诊断。机器学习模型基于信号处理特征实现感音神经性听力损失分类。数字及AI支持的远程听力学模型成为可扩展框架。然而,大多数研究仍处于概念验证或内部验证阶段,前瞻性多中心验证研究有限。在国家层面,中国、美国与韩国贡献最大产出,但引文影响与产出并不严格平行,这一差异反映了既有文献计量观察结果。机构层面,欧洲与美国若干大学(如奈梅亨大学、埃朗根-纽伦堡大学)通过桥接方法学发展与临床应用展现高引文影响。合著模式显示多中心与国际合作对产出与引文可见性至关重要。期刊分析显示核心期刊如Ear and Hearing在共被引网络中位居中心,表明数据驱动方法论正融入临床研究。关键词与主题分析显示术语从临床描述向计算方法学转变。转化视角下,听力损失诊断、噪声性损伤预测、人工耳蜗优化等应用日益具临床相关性,但仍需前瞻性多中心验证。耳鸣因其主观症状特征与缺乏客观生物标志物成为挑战,机器学习基于高频测测与脑电图(EEG)模型展示分类潜力,但依赖小样本与横断面设计。助听器验配与个性化方面,预测建模与神经网络优化在受控评估中表现良好,但缺乏证据证明优于传统验配协议。此外,资助优先事项(如Horizon Europe、NIDCD战略计划)、政策框架及伦理考量(可解释性、可靠性、公平部署)亦影响研究发展。开放获取比例较高,但文章处理费可能加剧全球科学参与不平等。与早期映射报告相比,本研究更聚焦转化语境,明确关联主题演变与诊断及康复领域。局限性包括:仅基于WoS索引文献,检索策略可能遗漏未明确AI描述词的研究,转化分类依赖报告特征。

5. 结论
本范围综述通过文献计量与主题分析提供了过去三十年AI与ML在听力学与听力障碍中应用的全面概述。2020年后发文的显著增长反映了该领域加速的研究活动与跨学科参与。当前应用主要集中于诊断与筛查背景,包括听力损失检测、噪声性损伤预测、人工耳蜗优化、耳鸣建模及助听器个性化。远程听力学与高频测听等新兴主题表明朝向可及性与临床决策支持的持续多样化。然而,大多数研究仍处于概念验证或内部验证阶段,凸显了外部验证、前瞻性临床评估、方法透明性及与伦理监管框架对齐的必要性。总体而言,听力学中的AI与ML研究正从探索性方法开发逐步转向临床导向研究,持续强调验证、可重复性与负责任部署将决定这些技术实现常规听力学实践整合的程度。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号