Аннотация результатов, полученных в 2022 году
На основании собранной и сформированной базы данных пациентов с тугоухостью и слушателей с нормальным слухом, прошедших комплексное аудиологическое обследование, для дальнейшего применения статистического анализа и методов машинного обучения была сформирована обучающая выборка. Выборка представляет собой набор записей с данными о пациентах с тугоухостью (общие сведения, результаты аудиологического тестирования, сведения об используемых слуховых аппаратов и оценке их эффективности), а также общие сведения и результаты аудиологического тестирования для слушателей с нормальным слухом. Суммарный объем базы, из которой составлялась обучающая выборка, составляет 488 пациентов с тугоухостью. Выборка была дополнена результатами измерения разборчивости фраз в шуме посредством русского матриксного теста RuMatrix и результатами обследования слушателей с нормальным слухом. Также были добавлены результаты оценки эффективности слухопротезирования посредством субъективных тестов – анкеты COSI (Client Oriented Scale of Improvement – Шкала улучшения, ориентированная на клиента) и специально разработанной шкалы, в которой результат использования СА оценивался в баллах от 1 (очень плохо) до 5 (отлично) для пяти ситуаций слушания; речевой аудиометрии в свободном звуковом поле (тест RuMatrix, оценка разборчивости одно- и разносложных слов в тишине и в шуме). Данные аудиологических тестов для внесения в базу были предобработаны с использованием методов обработки сигналов предложенных в ходе выполнения проекта [Rao, K.A., et al.: Design of low complexity parallel polyphase finite impulse response filter using coefficient symmetry. IET Circuits Devices Syst. 1– 9 (2022). https://doi.org/10.1049/cds2.12134, Fedoseev P, Zhukov K, Kaplun D, Vybornov N, Andreev V. Parallelization of Runge–Kutta Methods for Hardware Implementation. Computation. 2022; 10(12):215. https://doi.org/10.3390/computation10120215]. Для решения проблемы отсутствия достаточного количества обучающих данных при построении интеллектуальных систем в аудиологии предлагается использовать Transfer Learning: - с дообучением с помощью подходов по обучению на малых выборках - finetuning, one-few shot learning, исключающих необходимость полного «переобучения» machine learning-модели и позволяющих получить приемлемое качество при недостатке данных для обучения [Lungu I. A, Yuhuang Hu Y., Liu S. Multi-Resolution Siamese Networks for One-Shot Learning / 2nd IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS). - 2020], few-shot [Wang Y., Yao Q., Kwok K., Ni L. M. Generalizing from a Few Examples: A Survey on Few-Shot Learning // ACM Computing Surveys. - 2020. - C. 1-34]. - с использованием линейных дискриминантных корректоров и ансамблей линейных дискриминантных корректоров. Такие корректоры позволяют исправлять ошибки системы, не изменяя вывод на тех примерах, где система работает без ошибок. Таким образом, их использование теоретически может позволит добавлять новые классы без переобучения сети ([van Y. Tyukin, Alexander N. Gorban, Alistair A. McEwan, Sepehr Meshkinfamfard, Lixin Tang, Blessing of dimensionality at the edge and geometry of few-shot learning, Information Sciences, Volume 564, 2021, Pages 124-143, ISSN 0020-0255, https://doi.org/10.1016/j.ins.2021.01.022]. Для построения распределенной интеллектуальной системы предлагается использовать концепцию федеративного обучения, которая позволяет выполнять обучение на разнородных данных, распределенных между разными источниками без использования общего вычислительного кластера, выполняющего анализ, и обмена данными между источниками. В настоящее время предложены различные архитектуры построения систем федеративного обучения [Kholod I, Yanaki E, Fomichev D, Shalugin E, Novikova E, Filippov E, Nordlund M. Open-Source Federated Learning Frameworks for IoT: A Comparative Review and Analysis. Sensors. 2021; 21(1):167. DOI: 10.3390/s21010167], отличающиеся как распределением функций агрегирования параметров локально обученных моделей между участниками обучения, так и требованиями к вычислительным ресурсам участников. Кроме того, системы федеративного обучения отличаются способом распределения анализируемых данных. Выделяют горизонтальное распределение данных, когда на узлах находятся данные с общим множеством атрибутов, и вертикальное распределение данных, когда данные описывают одно событие, но не имеют общих атрибутов. Последнее свойство видится особенно полезным при разработке распределенных интеллектуальных систем для решения различных задач в медицине, когда данные берутся из разных источников.

Аннотация результатов, полученных в 2023 году
Предложен подход к количественному оцениванию когнитивной составляющей в результатах тестирования состояния сенсорной системы человека на основании анализа остатков от регрессии наблюдаемых значений показателей тестов на значения, прогнозируемые по данным контроля функционального состояния органа восприятия с помощью байесовской сети. При построении байесовской сети независимыми переменными (предикторами) являются результаты тестов тональной пороговой аудиометрии (ТПА). Результаты тестов речевой аудиометрии, связанные с распознаванием речи, с одной стороны, объективно зависят от результатов тестов ТПА, но в то же время отражают возможности механизма когнитивной компенсации, что может быть использовано для диагностики нейродегенеративных изменений, в том числе на ранней стадии. Зависимыми переменными являются результаты тестов по распознаванию речи. Тем самым определяются отношения «Родитель – потомок», необходимые для построения направленного графа. Далее производится расчет коэффициентов корреляции Спирмена между исследуемыми параметрами и переход к частным корреляциям, необходимым для прогнозирования состояния зависимых переменных. При построении графа на основании используемой корреляционной матрицы полных или частных корреляций выбирается порог, ниже которого корреляционные связи считаются несущественными. По усмотрению исследователя, изучающего взаимосвязь переменных, этот порог может быть установлен равным нулю. В этом случае все связи между переменными считаются существенными. Для создания результирующего графа, представляющего структуру байесовской сети, из полученной модели должны быть удалены связи, приводящие к наличию петель графа. Для этого повторяется процедура, состоящая в нахождении любого существующего цикла и исключении в нем самого «слабого» звена (ребра с наименьшим значением коэффициента корреляции). Процедура повторяется до тех пор, пока результирующий граф не станет полностью ацикличным. Степень выраженности когнитивной компенсации, соответствующая индивидуальным характеристикам конкретного пациента, количественно соответствует величине остатка от регрессии наблюдаемых значений результатов тестов речевой аудиометрии на прогнозируемые по ТПА значения. Положительные остаточные значения указывают на то, что результат теста для конкретного пациента выше, чем ожидалось, исходя исключительно из результатов тестов тональной пороговой аудиометрии. Следовательно, роль когнитивной компенсации у такого пациента выше среднего по изучаемой когорте значения. Отрицательные остатки указывают на то, что результат теста для конкретного пациента ниже, чем ожидалось, исходя исключительно тестов ТПА, что свидетельствует о снижении вклада когнитивной составляющей в распознавание речи по сравнению со средним значением в изучаемой когорте. Применение предложенного подхода к результатам речевой аудиометрии позволило количественно оценить вклад когнитивной компенсации в распознавание речи путем сопоставления с результатами тональной пороговой аудиометрии. Результаты регистрации слуховых вызванных потенциалов в подгруппе нормально слышащих лиц показали у всех слушателей нормальные варианты КСВП и ДСВП. Латентные периоды и межпиковые интервалы I, III и V волн КСВП соответствовали нормативным показателям, пороги регистрации во всех случаях соответствовали норме (менее 30дБ нПС). Во всей подгруппе были зарегистрированы морфологически нормальные варианты ДСВП с наличием четырех волн P1, N1, P2, N2. При проведении серии повторных записей была достигнута хорошая повторяемость ответов. Латентные периоды соответствовали нормальным значениям. Разница между порогами ДСВП и тональными порогами слуха составила 0-10дБ. В подгруппе слабослышащих пациентов при регистрации стволомозговых вызванных потенциалов для всех пациентов был получен вариант с нормальной или близкой к нормальной морфологией ответа (у всех пациентов на записи присутствовали пики I, III, V). При записи ДСВП морфологически нормальный вариант ответа был зарегистрирован у 70%. У 30% отмечалось или отсутствие компонентов ДСВП (чаще всего пика P1), или увеличение латентных периодов. У пациентов с измененной морфологией ответа отмечалась низкая повторяемость результатов ДСВП в серии измерений. Значения ЛП пиков P1, N1, P2 совпадают с нормальными значениями для тех пациентов, у которых регистрировался морфологически нормальный ответ. Разница между порогом визуальной детекции ДСВП и тональным порогом составила от 0 до 15дБ, со средним значением 5,6±5,3 дБ, что совпадает с литературными данными. При сравнении психоакустических данных и результатов регистрации ДСВП получено, что пациенты с признаками ЦСР и невысокими результатами слухопротезирования имели видоизмененный комплекс P1, N1, P2, N2. Для проведения статистической обработки результатов с комплексным сравнением психоакустических и электрофизиологических данных у слабослышащих пациентов в подгруппах с низкими и высокими результатами речевой разборчивости, а также в подгруппах с низкой и высокой эффективностью слухопротезирования требуется увеличение выборки пациентов. Для выбора адекватной программы реабилитации был рассчитан аудиологический профиль для 355 слабослышащих пациентов. В этот профиль были включены данные диагностического обследования, а также результаты оценки эффективности слухопротезирования. Контрольную группу составили 20 лиц с нормальными порогами слуха. На основании установленных критериев диагностики центральные слуховые расстройства (ЦСР) были выявлены у 55% пользователей слуховых аппаратов (СА) и 15% лиц с нормальным слухом. Обнаружена значимая корреляция между наличием ЦСР и степенью потери слуха (r=0,85, p<0,05), отрицательная корреляция между результатами теста по выявлению когнитивной дисфункции MoCA и возрастом (r=-0,64, p<0,05). По результатам речевого тестирования в свободном звуковом поле использование слухового аппарата (СА) в тишине оказалось высоко эффективным у 89,2%, а в шуме – у 54,7% пациентов. Показатели теста RUMatrix в тишине в СА коррелировали с результатами анкетирования COSI (V=0,52). Доказана более высокая эффективность слухопротезирования у пациентов без ЦСР по сравнению с пациентами с ЦСР, которым были рекомендованы занятия по программе слуховой тренировки. Подводя итоги, полноценная характеристика нарушений слуха и эффективный выбор дополнительных параметров при коррекции тугоухости требуют проведения большого числа речевых и неречевых тестов. Более точно определить существующий слуховой дефицит позволит построение индивидуального слухового профиля пациента с применением корреляционного анализа.