AI Summary & Key Takeaways
AI InsightConsidering the models above, the best overall results were obtained using the Xception model with 0.9387 validation accuracy and 91.67% test accuracy, together with rather balanced precision, recall, and F1-score values of 0.928.
📌 3 Key Takeaways
Abstract
Tinnitus is an important symptom of hearing problems, the diagnosis of which is generally carried out through subjective clinical interviews and audiological tests; this may lead to variability in its diagnosis and follow-up. The goal of this study is to develop an objective decision-support approach for tinnitus detection by classifying audiogram images with state-of-the-art machine learning methods. This study used a publicly accessible audiogram dataset with standard clinical hearing threshold information and tinnitus labels. These records were converted into image representations and split into training, validation, and test sets. A conventional convolutional neural network and four transfer-learning–based deep architectures, namely InceptionV3, DenseNet121, VGG19, and Xception, were trained and tested. Model performance was evaluated based on metrics such as validation accuracy, validation loss, test accuracy, precision, recall, and F1-score. Considering the models above, the best overall results were obtained using the Xception model with 0.9387 validation accuracy and 91.67% test accuracy, together with rather balanced precision, recall, and F1-score values of 0.928. It was followed by models InceptionV3 and DenseNet121, which attained 0.9202 validation accuracy and over 90% test accuracies, while the CNN baseline resulted in 74.02% test accuracy. VGG19 showed markedly lower performance, indicating that not all deep architectures are equally suitable for this task. The findings demonstrate that modern deep learning architectures, particularly Xception, can successfully extract discriminative patterns from audiogram images and provide reliable, objective support for tinnitus detection. These results suggest that integrating such models into audiology workflows could contribute to faster, more standardised, and reproducible clinical decision-making.
Özet
Kulak çınlaması, işitme sorunlarının önemli bir belirtisidir ve tanısı genellikle öznel klinik görüşmeler ve odyolojik testler ile konur; bu da tanısı ve takibinde farklılıklara yol açabilir. Bu çalışmanın amacı, en son teknoloji makine öğrenimi yöntemleri ile odyogram görüntülerini sınıflandırarak kulak çınlamasının tespiti için objektif bir karar destek yaklaşımı geliştirmektir. Bu çalışmada, standart klinik işitme eşiği bilgileri ve kulak çınlaması etiketleri içeren, kamuya açık bir odyogram veri seti kullanılmıştır. Bu kayıtlar görüntü temsillerine dönüştürülmüş ve eğitim, doğrulama ve test setlerine ayrılmıştır. Geleneksel bir evrişimli sinir ağı ve dört transfer öğrenme tabanlı derin mimari, yani InceptionV3, DenseNet121, VGG19 ve Xception eğitilmiş ve test edilmiştir. Model performansı, doğrulama doğruluğu, doğrulama kaybı, test doğruluğu, hassasiyet, geri çağırma ve F1 puanı gibi metriklere göre değerlendirilmiştir. Yukarıdaki modeller göz önüne alındığında, en iyi genel sonuçlar, 0,9387 doğrulama doğruluğu ve %91,67 test doğruluğu ile birlikte 0,928'lik oldukça dengeli kesinlik, geri çağırma ve F1 puanı değerlerine sahip Xception modeli kullanılarak elde edildi. Bunu, 0,9202 doğrulama doğruluğu ve %90'ın üzerinde test doğruluğu elde eden InceptionV3 ve DenseNet121 modelleri izlerken, CNN temel modeli %74,02 test doğruluğu ile sonuçlandı. VGG19 belirgin şekilde daha düşük performans gösterdi, bu da tüm derin mimarilerin bu görev için eşit derecede uygun olmadığını gösterdi. Bulgular, modern derin öğrenme mimarilerinin, özellikle Xception'ın, odyogram görüntülerinden ayırt edici kalıpları başarıyla çıkarabildiğini ve kulak çınlaması tespiti için güvenilir, objektif destek sağlayabildiğini göstermektedir. Bu sonuçlar, bu tür modellerin odyoloji iş akışlarına entegre edilmesinin daha hızlı, daha standart ve tekrarlanabilir klinik karar verme sürecine katkıda bulunabileceğini göstermektedir.