Un nouveau système basé sur des oreillettes peut cartographier la géographie de l’intérieur de l’oreille et détecter une série de problèmes de santé.
Une équipe dirigée par des chercheurs de l’université de Buffalo aux Etats-Unis a utilisé des oreillettes Bluetooth et un système d’intelligence artificielle à apprentissage profond (deep learning) pour diagnostiquer trois pathologies courantes de l’oreille grâce à un test audio simple et non invasif qui utilise un son semblable à un sonar pour cartographier la structure de l’oreille.
Le système EarHealth utilise un ensemble d’oreillettes Bluetooth, dotées de microphones orientés vers l’intérieur et connectées à une application pour smartphone. Il envoie un signal audio dans l’oreille, puis les microphones enregistrent la réverbération de ce signal dans les conduits auditifs, ce qui permet au système de créer un profil de la forme unique de l’oreille interne de chaque utilisateur.
Un relevé est effectué lorsque l’utilisateur est en bonne santé, afin d’établir une base de référence, puis le même test est effectué périodiquement pour détecter les changements. Lors d’essais sur l’homme effectués sur 92 volontaires, le système a été capable de diagnostiquer trois affections courantes qui modifient la géométrie de l’oreille, simplement en vérifiant les changements dans la géométrie de l’oreille interne, avec une précision de 82,6 %.
Le système EarHealth utilise un ensemble d’oreillettes munies d’un microphone orienté vers l’intérieur.
Les trois problèmes identifiés sont le blocage du cérumen, la rupture du tympan et une infection courante de l’oreille, l’ostite. Et dans de nombreux cas, il a été en mesure de les identifier bien avant qu’elles ne se présentent comme des problèmes graves.
« Avec EarHealth, nous avons mis au point ce que nous pensons être le tout premier système à base de bouchons d’oreille qui surveille les conditions de santé de l’oreille d’une manière efficace, abordable et conviviale », a déclaré Zhanpeng Jin, PhD, auteur principal d’une étude publiée par l’Association for Computing Machinery (ACM). « Parce qu’il a le potentiel de détecter ces conditions très tôt, il pourrait grandement améliorer les résultats de santé pour de nombreuses personnes. »
Quatre conditions différentes que les chercheurs ont identifiées et qui modifient le signal audio renvoyé d’une manière que le système d’apprentissage profond peut reconnaître et diagnostiquer avec une précision de plus de 80 %.
Les chercheurs disent qu’ils travaillent à améliorer la précision du système, en vérifiant comment les poils d’oreille, l’inflammation historique du tympan et d’autres facteurs pourraient jouer dans les lectures. Mais le système semble être suffisamment efficace, abordable et convivial pour être adopté à grande échelle pour des examens réguliers et rapides de l’oreille.
