《Scientific Reports》：An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA)
编辑推荐：
为解决听觉脑干响应（ABR）传统分析依赖主观判读、效率低下且可重复性差的问题，研究人员开发了基于深度学习的开源自动化分析工具箱ABRA。该工具利用卷积神经网络（CNN）模型，实现了对ABR波形中波峰幅度、潜伏期及听觉阈值等关键指标的快速、客观提取。验证表明，其性能可比肩专家人工标注，并显著缩短分析时间，提升了跨实验室数据的可重复性，为听力损失、感觉神经科学及临床研究提供了强有力的交叉研究工具。
听力损失是一个全球性的重大健康挑战，它不仅影响沟通，还与认知功能下降甚至痴呆症风险增加密切相关。在这一领域中，听觉脑干响应（Auditory Brainstem Response, ABR）扮演着至关重要的角色。ABR是一种由声音诱发的、从听觉神经到脑干的同步神经活动的电生理记录，它能直观反映内耳毛细胞与突触功能、听觉敏感性以及听觉通路生理状态等多种关键信息，因此成为了基础神经科学和临床听力研究中不可或缺的工具。然而，尽管ABR价值巨大，其传统分析方法却长期依赖于分析人员的主观手动判读。这种“肉眼识别、手动标记”的方式，不仅耗时费力，更在不同分析者之间乃至同一分析者的不同时间点引入难以避免的变异，严重制约了研究结果的可重复性和跨实验室数据的可比性。这就像是用肉眼和尺子去测量高速运动的物体，既不准，也慢。为了解决这个长期困扰听觉研究领域的“瓶颈”问题，一个名为“ABRA”（Auditory Brainstem Response Analyzer）的研究项目应运而生。这项研究旨在将深度学习这一先进的计算技术引入ABR分析，开发一套自动化、标准化的工具，以克服人工分析的局限，最终将研究成果发表在《Scientific Reports》期刊上。
为了开发ABRA，研究人员首先构建了来自多种实验环境下的多样化ABR数据集，用以训练和测试核心的深度学习算法——卷积神经网络（Convolutional Neural Networks, CNN）。这套开源的自动化分析工具能够对输入的ABR波形进行快速处理，无需人工干预即可精确识别波形特征点，并提取出波峰幅度、潜伏期以及听觉阈值估计等关键量化指标。研究人员通过将ABRA模型的输出结果与多位人类专家的手动标注进行系统性比对，验证了其有效性。
研究的核心在于验证ABRA的实用价值。结果表明，ABRA深度学习模型在识别ABR波形特征和提取关键指标上的表现，与人类专家评审员的判读结果高度一致，达到了可比肩专家的水平。更引人注目的是，ABRA将传统上需要人工耗费大量时间的分析过程，缩短至瞬间即可完成，实现了分析效率的飞跃。更重要的是，当应用于来自不同实验室的独立数据集时，ABRA展现出了卓越的稳健性和可重复性，这意味着它能够有效标准化分析流程，消除因人工差异导致的变异，使得不同研究团队的数据能够进行可靠、公平的比较。这项研究成功地将深度学习算法与听觉电生理研究相结合，证明了自动化分析在ABR领域的可行性与优越性。
这项研究得出结论，ABRA作为一种基于深度学习的开源自动化工具，成功地实现了对听觉脑干响应（ABR）波形分析流程的标准化与自动化。它不仅能够以媲美人类专家的准确度提取波峰幅度、潜伏期和听觉阈值等关键指标，更重要的是，其分析速度远超人工，并能显著提升跨不同实验室数据集的分析可重复性。这为听力损失、感觉神经科学及相关的临床研究领域提供了一个高效、客观、可靠的分析新范式。通过弥合听觉研究与计算科学之间的鸿沟，ABRA工具（在线免费版本可通过
https://abra.ucsd.edu获取）有望推动更广泛的跨学科合作，深化我们对听觉功能的理解，并加速相关基础研究发现向临床应用的转化。
