「Nature」網站日前發(fā)表了一項開創(chuàng)性的研究，該研究透過深度學習技術，來提升兒童行為聽力測驗的可行性與精確度。

研究人員構建了一個專用設計的兒童姿勢檢測數(shù)據(jù)集，該數(shù)據(jù)集收錄了大量來自兒童行為聽力測試的珍貴影像資料，細膩地記錄了各式典型的聽力測試動作。

基于此數(shù)據(jù)基礎，研究人員進一步開發(fā)了一個智能檢測平臺，此平臺的核心技術在于一個同步開發(fā)的患者骨骼關鍵點估計模型 （POTR），該模型同樣基于優(yōu)化Transformer架構，專職于精準估算人體骨骼的關鍵節(jié)點。 透過POTR的精確骨骼點定位能力，DoT平臺得以對兒童在行為聽力測試過程中的影片進行細致的姿勢辨識，進而實現(xiàn)聽力測試流程的自動化分析。

這項技術使醫(yī)護人員能夠實時監(jiān)測和分析兒童在測試中的動作，客觀地評估其聽力水平。 更重要的是，研究團隊通過將特定的動作與聽力學的專業(yè)知識相結合，制定了一套基于動作的決策規(guī)則，借此根據(jù)兒童的動態(tài)表現(xiàn)來輔助判斷其聽力狀況。

實驗結果顯示，在2.5至4歲的兒童群體中，傳統(tǒng)人工行為聽力測驗的敏感性 （0.900） 相較于人工智能行為聽力測驗 （0.929） 略遜一籌，但在特異性 （0.824） 和曲線下面積 （AUC） （0.901） 方面則表現(xiàn)更優(yōu)。 而在4至6歲的兒童群體中，人工行為聽力測驗的敏感性 （0.943）、特異性 （0.947） 和 AUC （0.924） 均優(yōu)于人工智能行為聽力測驗。

研究團隊的下一步計劃將聚焦于探索人工智能行為聽力測驗在更年幼（2.5歲以下）的嬰幼兒中的準確性，以期進一步拓展這項科技在兒童聽力健康領域的應用價值。