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

对于全球数百万人口而言，一种幻听正不断在他们的耳畔回响。这种被称为耳鸣（tinnitus）的症状，并非源于外部声源，而是大脑自身产生的一种感知。它的表现形式多种多样，从微弱的嗡嗡声到震耳欲聋的轰鸣声不等，常常干扰睡眠、情绪以及享受日常生活的能力。目前，医生们还没有可靠的方法来衡量特定患者耳鸣的严重程度。标准的诊断完全依赖于患者通过问卷调查来描述自己的痛苦。由于这取决于个人的感受和记忆，结果可能会因日而异，或因人而异，导致难以追踪病情进展或制定个性化治疗方案。科学家们长期以来一直希望找到一种客观的指标——一种可以像测量血压一样测量的脑部物理信号，以确定该病症的真实严重程度。

上海的一支研究团队通过将一种专门的脑成像工具与一种复杂的计算机学习方法相结合，在实现这一目标方面迈出了重要一步。他们专注于大脑对声音的反应，使用了一种名为功能性近红外光谱技术（fNIRS）的技术。这种设备通过头骨发射安全的近红外光，以测量血氧水平的变化，而血氧变化是脑活动的替代指标。当大脑工作量增加时，它会消耗更多氧气，血流量也会随之改变。通过聆听特定的音调并观察大脑血氧水平如何反应，研究人员捕捉到了耳鸣体验的一种独特的生理特征。随后，他们将这些信号输入到一种新型计算机算法中，该算法旨在学习人类肉眼可能忽略的模式。

研究人员招募了六十名患有主观性耳鸣（即鸣响仅存在于脑海中，而非由外部机械问题引起）的成年人。在进行任何扫描之前，每位参与者都完成了一份标准的问卷来评估他们自评的耳鸣严重程度，这作为研究的“地面真值”（ground truth）。随后，参与者坐在一个安静的房间里，戴上一个包含光源和探测器的帽子。他们聆听一系列持续十八秒的高频音调，随后是十八秒的静默，并重复这一循环六次。在此期间，这个帽子记录了他们不同脑区氧水平的变化情况。研究人员重点关注了处理声音和语言的特定区域，如颞叶和额叶，并将连续的数据流分解成细小的、易于分析的数据块，以分析其中的细微波动。

为了理解这些复杂的数据，该团队开发了一种改进版的名为“堆叠”（Stacking）的机器学习技术。在传统的设置中，计算机可能会使用多个不同的模型来预测答案，然后简单地取其投票的平均值。研究人员发现，对于具有噪声且复杂的脑信号而言，这种方法过于简单。相反，他们构建了一个更具协作性的系统。他们使用了三种不同类型的计算机模型，每种模型在识别模式方面各有所长，用以分析脑信号。该方法不仅仅是简单地平均它们的结果，而是允许这些模型以一种更高级的方式进行“对话”。它结合了它们的预测，建立了数据点之间新的、复杂的联系，并给予那些在特定数据部分表现更好的模型更多的影响力。这个过程通过使用不同的数据分组进行了多次重复，以确保最终结果并非仅仅是运气使然。

结果显示，这种改进后的新方法具有明显的优势。当团队将该系统应用于一组从未见过的患者群体时，它正确识别了 96.31% 的病例中的耳鸣严重程度。这与准确率约为 90% 的标准方法相比是一个显著的飞跃。该系统特别擅长区分不同的严重程度等级，从轻微的烦扰到严重的痛苦。研究人员指出，虽然百分比上的提升看似微小，但在医学诊断领域，从 90% 提升到 96% 代表着一个更可靠的工具。该系统成功地将耳鸣这种无形的、主观的体验，转化为了基于大脑对声音物理反应的具体、可衡量的数值。

尽管取得了这些成功，作者仍谨慎地指出，这项研究尚不是临床实践的最终解决方案。他们研究的患者群体规模相对较小，结果需要在更多的人群中进行验证，以确保该方法适用于所有人。此外，该研究没有包含接受安慰剂治疗的对照组，因此，大脑的一些变化可能是受患者预期影响而非耳鸣本身的影响。此外，该技术尚未整合到医院的工作流程中，以便医生在诊疗过程中实时使用。然而，这项研究提供了一个强有力的概念验证。它证明了通过监测大脑的氧水平并使用更智能的方式来解读它们，我们有可能超越凭感觉猜测，开始客观地衡量一种长期以来只能通过患者痛苦程度来定义的疾病。