Model mašinskog učenja koji se oslanja na audiometriju čistog tona pokazao je sposobnost da dijagnostikuje Menijerovu bolest (MD) i predvidi endolimfatički hidrops (EH), prema nedavnoj studiji objavljenoj u časopisu Otorinolaringologija-Head and Neck Surgery.
Tim predvođen doktorom Ksu Liujem sa Univerziteta Fudan u Šangaju analizirao je magnetno-rezonantne sekvence poboljšane gadolinijumom i podatke o audiometriji čistog tona u retrospektivnoj studiji. Na osnovu određenih parametara vazdušne provodljivosti audiometrije čistog tona, tim je kreirao osnovne i složenije analitičke karakteristike. Ove karakteristike su zatim iskorišćene za obuku pet različitih modela mašinskog učenja kako bi se postavila dijagnoza MD. Za predviđanje EH, odabrani su modeli sa izuzetnom uspešnošću.
Studija je pokazala da je najbolji model mašinskog učenja, koji koristi gradijent svetlosti (LGB), postigao izvanredne rezultate u dijagnostikovanju MD, sa tačnošću od 87%, osetljivošću i specifičnošću od 83 i 90%, te površinom ispod operativne karakteristične krive prijemnika od 0,95, što je znatno nadmašilo iskusne kliničare.
LGB model je takođe pokazao tačnost od 78% u predviđanju EH, prevazilazeći performanse druga tri modela. Specifične karakteristike audiometrije čistog tona koje su ključne kako za dijagnozu MD, tako i za predviđanje EH, uključuju standardnu devijaciju i prosečnu vrednost sluha na svim frekvencijama, vrhunac audiograma i sluh na niskim frekvencijama (posebno na 250 Hz).
Autori istraživanja su zaključili da ova studija ukazuje na obećavajuće dijagnostičke mogućnosti mašinskog učenja baziranog na rezultatima audiometrije čistog tona kao potencijalne metode skrininga za MD.
