拟合人工耳蜗 SCINSEV 的患者特异性电解剖模型的自动优化

目的：植入耳蜗的患者特异性电解剖模型（EAM）对于人工耳蜗（CI）编程中的听神经纤维仿真和神经健康评估至关重要。将 EAM 拟合到刺激电流诱导的非刺激电极电压（SCINSEV）目前需要专家手动调整，或对预先计算的前向解进行穷举搜索，这两种方法都无法扩展到常规临床使用。我们提出了一种自动化优化流程，可在数分钟内拟合患者特异性 EAM。方法：从术后 CT 导出的四分区组织标签图（外淋巴、软组织、蜗轴和骨）用于构建有限差分前向模型，并通过高斯过程贝叶斯优化拟合到测得的 SCINSEV。三项简化降低了拟合成本：使用粗化网格，并在亚体素接触位置进行三线性注入和读出；求解一半的刺激接触，并通过互易性补全四分之三的矩阵；以及基于雅可比的辨识性分析，将四个电阻率减少为两个。每项简化均分别针对测量的互易性残差和拟合的可重复性进行了验证。结果：在 43 只植入耳中，每只耳拟合的中位时间为 2.6 分钟。在降分辨率目标上，SCINSEV RMSE 的中位数为 0.069 mV，而在匹配评估预算下网格搜索为 0.084 mV。与每只耳中位耗时 9.1 小时的穷举全分辨率网格搜索相比，该流程以约 210 倍的速度达到了统计上无法区分的拟合误差。结论：患者特异性耳蜗 EAM 拟合可在临床实用时间尺度上无需专家监督地完成，消除了患者特异性人工耳蜗编程和耳蜗仿真的一大计算障碍。

中文由 AI 翻译，仅供参考，以原文为准。