使用术前磁共振成像预测人工耳蜗植入儿童的口语发展

重要性：人工耳蜗能显著改善患有重度至极重度感音神经性听力损失的儿童的口语能力，但结果仍比听力正常儿童更具变异性。仅凭植入年龄或残余听力无法可靠预测个体儿童的这种变异性。开发一种人工智能临床工具来预测哪些患者的语言技能改善较差，可能有助于实现个体化方法以改善语言结局。目的：使用高vs低语言改善者的二元分类模型，比较传统机器学习（ML）与深度迁移学习（DTL）算法预测双侧感音神经性听力损失儿童人工耳蜗植入后口语发展的准确性。设计、环境和参与者：这项多中心诊断研究招募了来自美国、澳大利亚和香港3个独立临床中心、使用英语、西班牙语和粤语家庭的儿童。共招募278名人工耳蜗植入儿童（2009年7月至2022年3月），具有1至3年的人工耳蜗植入后结局数据。所有儿童均接受了术前人工耳蜗植入三维容积脑磁共振成像（MRI）。使用术前脑MRI的神经解剖学特征，训练ML和DTL算法以预测人工耳蜗植入儿童的高vs低语言改善者。数据分析时间为2023年8月至2025年4月。暴露：人工耳蜗植入。主要结局和措施：基于脑神经解剖学特征，使用传统ML和DTL学习的预测模型的准确性、敏感性和特异性。结果：278名儿童中，137名（49.3%）为女性，人工耳蜗植入时的平均（SD）年龄为25.7（18.8）个月。使用双线性注意融合策略的DTL预测模型达到了92.39%（95% CI，90.70%-94.07%）的准确性、91.22%（95% CI，89.98%-92.47%）的敏感性、93.56%（95% CI，90.91%-96.21%）的特异性和0.98（95% CI，0.97-0.99）的曲线下面积。DTL在所有结局指标上均优于传统ML模型。结论和相关性：这项诊断研究的结果表明，使用神经解剖学特征在个体儿童水平上预测语言改善的DTL比传统ML预测具有更高的准确性、敏感性和特异性。DTL通过直接捕获判别性和任务特异性信息而显著改进，这是该方法相对于ML所实现的表征学习的优势。结果支持在全球人工耳蜗植入项目服务的儿童中开发单一DTL预测模型进行语言预测的可行性。预测低改善可能有助于实施有针对性的早期和定制干预以改善语言。