Modellbasierte Diagnose von Mittelohrpathologien mittels Finite-Elemente Modellen und Maschinellem Lernen

Einschränkungen des Hörvermögens beeinträchtigen die Kommunikation und können zu sozialer Isolation führen. Eine gezielte Behandlung von Hörstörungen setzt eine zuverlässige Diagnostik voraus. Die in der klinischen Praxis eingesetzten nicht-invasiven Verfahren stoßen jedoch häufig an ihre Grenzen, wenn es darum geht, Erkrankungen des Mittelohrs eindeutig zu erkennen. In vielen Fällen ist zur Absicherung der Diagnose eine risikobehaftete chirurgische Exploration erforderlich. Zwar weisen neuere Verfahren wie die Breitbandimmittanzmessung ein hohes diagnostisches Potenzial auf, doch verhindern die schwer auszuwertenden Messdaten bislang eine breite Anwendung in der Praxis. Ziel dieser Arbeit ist es, die Auswertung von Breitbandimmittanzmessungen durch einen modellbasierten Ansatz zu verbessern, um die Diagnosegenauigkeit bei Mittelohrerkrankungen zu erhöhen. Hierzu werden zwei unterschiedlich parametrisierte Finite-Elemente Modelle des menschlichen Ohrs entwickelt: Das erste bildet die Geometrie eines repräsentativen Individuums ab, während das zweite Modell interindividuelle anatomische Variationen sowie stochastische Parameterzusammenhänge innerhalb einer Population berücksichtigt. Die Modelle werden anhand individueller und statistischer Messdaten gesunder und pathologischer Ohren validiert, um die Ursache-Wirkungs-Zusammenhänge zwischen krankhaften Veränderungen und Charakteristika in diagnostisch relevanten Messgrößen physikalisch plausibel abzubilden. Mithilfe dieser Modelle werden virtuelle Diagnosemessdaten erzeugt, um begrenzt verfügbare reale Messdaten im Training maschineller Lernalgorithmen zu ersetzen. Die auf dieser Basis trainierten Algorithmen werden anschließend anhand realer Messdaten evaluiert, um ihre diagnostische Genauigkeit zu bewerten.