arXiv eess.SP（Signal Processing）·· 1 小时前精选AI 评分55
范德堡大学 Jack H. Noble 团队提出自动拟合耳蜗植入电解剖模型的优化流水线
Automated Optimization of Patient-Specific Electro-Anatomical Models Fitted to Cochlear Implant SCINSEV
AI 导读
范德堡大学 Jack H. Noble 团队提出一套自动优化流水线，可在数分钟内把患者个体化耳蜗电解剖模型拟合到人工耳蜗的 SCINSEV 测量值。方法基于术后 CT 的四分区组织标签图构建有限差分前向模型，用高斯过程贝叶斯优化拟合，并通过粗化网格、互易性补全矩阵和基于 Jacobian 的可辨识性分析把四个电阻率降到两个来降低计算量。
AI 要点
团队
第一作者 Minh Q. Vu，末位作者 Jack H. Noble，共 3 位作者。
主要结果
43 只植入耳的中位拟合时间为 2.6 分钟/耳；降分辨率目标下 SCINSEV RMSE 中位 0.069 mV，网格搜索为 0.084 mV。
解决什么问题
此前将 EAM 拟合到 SCINSEV 需专家手动调整或穷举搜索，难以规模化用于常规临床。
方法
用术后 CT 的四分区组织标签图构建有限差分前向模型，以高斯过程贝叶斯优化拟合实测 SCINSEV；三项降本措施分别验证。
局限
从研究设计看，为回顾性拟合验证，未设对照；降本措施依赖互易性与可辨识性假设。
AI 依据原文整理，未经人工核对。
AI 推荐理由
该流水线把人工调参的耳蜗电解剖模型拟合压缩到分钟级，读者可据此判断患者个体化编程的计算门槛。
来源：arXiv eess.SP（Signal Processing） · arxiv.org