청력 손실은 일상적인 의사소통에 중대한 영향을 미치므로, 정확한 말소리 청력검사(speech audiometry, SA) 평가는 진단 및 치료에 필수적이다. 그러나 SA 검사는 시간이 많이 소요되고 자원이 요구되어 임상 현장에서의 접근성이 제한된다. 본 연구는 순음청력검사(pure-tone audiometry, PTA) 데이터를 이용하여 SA 결과를 예측하는 다중 분류 분류 모델을 개발함으로써 보다 효율적이고 자동화된 평가를 가능하게 하고자 하였다. 이를 위해 MLP, RNN, 그래디언트 부스팅, XGBoost 모델을 구현하고 비교하였으며, 정확도, F1 점수, 로그 손실, 혼동 행렬 분석을 통해 성능을 평가하였다. 실험 결과, 그래디언트 부스팅이 86.22%로 가장 높은 정확도를 보였고, XGBoost는 보다 균형 잡힌 분류 성능을 나타냈다. MLP는 85.77%, RNN은 85.41%를 달성했으며, 비교적 낮은 정확도를 보였는데, RNN은 PTA 데이터의 낮은 시간적 의존성으로 인해 한계가 있는 것으로 나타났다. 또한 모든 모델은 자료 분포가 중첩되는 특성으로 인해 2등급(경계성 청력 수준) 예측에 어려움을 겪었다. 이러한 결과는 기계학습 모델, 특히 그래디언트 부스팅과 XGBoost가 SA 예측에서 딥러닝 모델보다 우수함을 시사한다. 향후 연구는 성능 향상을 위해 특성 공학, 하이퍼파라미터 최적화, 앙상블 접근법에 초점을 맞추고, 실제 환경에서의 적용 가능성을 검증해야 한다. 제안된 모델은 SA 예측의 자동화를 돕고 청력 평가의 효율성과 환자 치료의 질을 향상시키는 데 기여할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.