Improved stacking ensemble learning for objective tinnitus severity assessment based on functional near-infrared spectroscopy signals

Für Millionen von Menschen auf der ganzen Welt spielt ständig ein Phantomgeräusch in ihren Ohren. Dieser Zustand, bekannt als Tinnitus, ist kein Summen aus einer externen Quelle, sondern eine Wahrnehmung, die das Gehirn selbst erzeugt. Er kann von einem leisen Brummen bis hin zu einem ohrenbetäubenden Brüllen reichen und oft den Schlaf, die Stimmung und die Fähigkeit, das tägliche Leben zu genießen, stören. Derzeit haben Ärzte keine zuverlässige Möglichkeit, wie schlimm der Tinnitus für einen bestimmten Patienten ist. Die Standarddiagnose stützt sich vollständig darauf, dass der Patient sein Leiden durch Fragebögen beschreibt. Da dies von persönlichen Gefühlen und dem Gedächtnis abhängt, können die Ergebnisse von Tag zu Tag oder von einer Person zur anderen stark variieren, was es schwierig macht, Fortschritte zu verfolgen oder Behandlungen maßzuschneidern. Wissenschaftler hoffen schon lange, einen objektiven Marker zu finden, ein physisches Signal im Gehirn, das man wie den Blutdruck messen könnte, um die wahre Schwere der Erkrankung zu bestimmen.

Ein Forschungsteam in Shanghai hat einen bedeutenden Schritt in Richtung dieses Ziels unternommen, indem es ein spezielles Bildgebungswerkzeug des Gehirns mit einer hochentwickelten Lernmethode des Computers kombiniert hat. Sie konzentrierten sich auf die Reaktion des Gehirns auf Schall und verwendeten eine Technologie namens funktionelle Nahe-Infrarot-Spektroskopie. Dieses Gerät sendet sicheres, nahes Infrarotlicht durch den Schädel, um Änderungen des Blutsauerstoffgehalts zu messen, die als Stellvertreter für die Gehirnaktivität dienen. Wenn das Gehirn härter arbeitet, verbraucht es mehr Sauerstoff, und der Blutfluss ändert sich entsprechend. Indem sie einem spezifischen Ton lauschten und beobachteten, wie die Blutsauerstoffwerte des Gehirns reagierten, erfassten die Forscher eine einzigartige physiologische Signatur des Tinnitus-Erlebnisses. Diese Signale speisten sie dann in einen neuen Typ von Computeralgorithmus ein, der darauf ausgelegt ist, Muster zu lernen, die dem menschlichen Auge entgehen könnten.

Die Forscher rekrutierten sechzig Erwachsene, die unter subjektivem Tinnitus litten, was bedeutete, dass das Klingeln nur in ihren Köpfen war und nicht durch ein externes mechanisches Problem verursacht wurde. Vor jeglicher Untersuchung füllte jeder Teilnehmer einen Standardfragebogen aus, um seinen eigenen Tinnitus-Schweregrad zu bewerten, was als Grundwahrheit (Ground Truth) für die Studie diente. Die Teilnehmer wurden dann in einem ruhigen Raum platziert und mit einer Kappe ausgestattet, die Lichtquellen und Detektoren enthielt. Sie hörten achtzehn Sekunden lang eine Reihe hochfrequenter Töne, gefolgt von achtzehn Sekunden Stille, wobei dieser Zyklus sechsmal wiederholt wurde. Während dieser Zeit zeichnete die Kappe auf, wie sich die Sauerstoffwerte in verschiedenen Teilen ihres Gehirns veränderten. Die Forscher konzentrierten sich auf spezifische Bereiche, die für Schall und Sprache zuständig sind, wie etwa den temporalen und frontalen Lappen, und zerlegten den kontinuierlichen Datenstrom in kleine, handhabbare Stücke, um die subtilen Schwankungen zu analysieren.

Um diese komplexen Daten zu verstehen, entwickelte das Team eine verbesserte Version einer maschinellen Lerntechnik namens Stacking. In einem traditionellen Setup könnte ein Computer mehrere verschiedene Modelle verwenden, um die Antwort zu erraten, und dann einfach deren Stimmen mitteln. Die Forscher fanden diesen Ansatz für die verrauschte, komplizierte Natur der Gehirnsignale zu einfach. Stattdessen bauten sie ein kollaborativeres System auf. Sie verwendeten drei verschiedene Arten von Computermodellen, die jeweils ihre eigene Stärke beim Erkennen von Mustern hatten, um die Gehirnsignale zu analysieren. Anstatt nur ihre Ergebnisse zu mitteln, ermöglichte die neue Methode diesen Modellen, auf eine fortgeschrittenere Weise miteinander zu kommunizieren. Es kombinierte ihre Vorhersagen, erzeugte neue, komplexe Beziehungen zwischen den Datenpunkten und verlieh den Modellen, die bei bestimmten Teilen der Daten am besten abschnitten, mehr Einfluss. Dieser Prozess wurde viele Male mit verschiedenen Gruppierungen der Daten wiederholt, um sicherzustellen, dass das Endergebnis nicht nur ein glücklicher Zufall war.

Die Ergebnisse zeigten einen klaren Vorteil für diesen neuen, verbesserten Ansatz. Als das Team sein System an einer Gruppe von Patienten testete, die es noch nie zuvor gesehen hatte, identifizierte es die Schwere des Tinnitus in 96,31 % der Fälle korrekt. Dies war ein bedeutender Sprung im Vergleich zur Standardmethode, die eine Genauigkeit von etwa 90 % erreichte. Das neue System war besonders gut darin, zwischen den verschiedenen Schweregraden zu unterscheiden, von leichter Belästigung bis hin zu schwerem Stress. Die Forscher merkten an, dass die Verbesserung zwar gering erscheinen mag in Bezug auf die Prozentpunkte, aber in der Welt der medizinischen Diagnose der Schritt von 90 % zu 96 % ein viel zuverlässigeres Werkzeug für Ärzte darstellt. Das System übersetzte erfolgreich das unsichtbare, subjektive Erlebnis des Klingelns in Ohren in eine konkrete, messbare Zahl basierend darauf, wie das Gehirn physisch auf Schall reagierte.

Trotz dieses Erfolgs geben die Autoren vorsichtig zu bedenken, dass die Studie noch keine endgültige Lösung für die klinische Praxis darstellt. Die Gruppe von Patienten, die sie untersucht haben, war relativ klein, und die Ergebnisse müssen mit einer größeren Anzahl von Menschen bestätigt werden, um sicherzustellen, dass die Methode für alle funktioniert. Die Studie enthielt zudem keine Kontrollgruppe, die eine Scheinbehandlung erhielt, sodass es möglich ist, dass einige der Gehirnveränderungen durch die Erwartungen der Patienten statt durch den Tinnitus selbst beeinflusst wurden. Darüber hinaus wurde die Technologie noch nicht in einen Krankenhausablauf integriert, in dem ein Arzt sie in Echtzeit während einer Konsultation nutzen könnte. Die Studie liefert jedoch einen starken Beweis für das Konzept (Proof of Concept). Sie zeigt, dass es durch das Lauschen auf die Sauerstoffwerte des Gehirns und die Verwendung einer klügeren Art, diese zu interpretieren, möglich ist, über bloßes Raten hinauszugehen und beginnen, einen Zustand objektiv zu messen, der lange Zeit nur dadurch definiert war, wie sehr er die betroffene Person belastet.