基于機器學(xué)習(xí)的人工耳蝸植入術(shù)后兒童聽覺言語康復(fù)效果預(yù)測模型研究（附講解視頻

中圖分類號 R764.5 文獻(xiàn)標(biāo)識碼 A 文章編號 2096-7721（2025）04-0655-06

Prediction model based on machine learning for auditory and speech rehabilitation outcomes in children after cochlear implantation （with explanatory video）

BAI Jie，LI Ying， JIN Xin， YAN Meiling， LIU Haihong （DepartmentofOtolaryngogHeadandNeckSurgeryeingCdren’sHospital，CapitalMdicalUiversitNatioalCtefr Children'sHealth，Beijing10oo45，China）

AbstractObjective：To exploretheaplicationof machine learming techniques inpredictingauditoryand speech rehabilitation outcomesforchildrenaftercochlearimplantation.Methods：187childrenwhounderwentcochlearimplantationatBeijingChildren’s HospitalAfiliatedtoCapitalMedicalUniversityfromJanuaryO12toOctober2O24wereselectedDatafromheparents’evaluation ofauraloralpforaeofdenuestoirendcalincatosrecoltedatvicectiatiod1，，6d 36 monthsafteractivation.Machinelearningalgorithms （Support VectorMachine，RandomForest，andArtificialNeuralNetwork） wereused toconstructpredictionmodels，withfeatureselectionmethodsidentifyingkeyfactors influencingrehablitationoutcomes. Results：Theacuracyof predictionmodelsconstructedbyArtificialNeuralNetwork，RandomForest，and Support VectorMachine were 7 4 . 9 1 % 7 1 . 0 2 % ，and 6 8 . 2 0 % ，respectively.Feature selection revealed 7 significant predictors （ P lt;0.05）： usage time of CI， age at activation，ucaalveofayiidclaontlaalitydiid Conclusion：Machinelearing techniquescanefectivelypredictauditoryandspeechrehabilitationoutcomesinchildrenaftercochlear implantationhichprovidesanoveltolandtheoreticalsupportforpreciseclincalassessmentandpersonalzedinteetio. KeyWords Cochlear Implant； Machine Learning；Aural and Oral Performance； Children

世界衛(wèi)生組織在《世界聽力報告》中指出，全球超過15億人存在一定程度的聽力損失，其中至少4.3億人需要專業(yè)的聽力康復(fù)進(jìn)行干預(yù)。對于聽力障礙兒童而言，缺乏及時有效的干預(yù)將會對其言語發(fā)育、認(rèn)知、社會心理健康、生活質(zhì)量等產(chǎn)生負(fù)面影響[2-4]。人工耳蝸（Cochlear Implant，CI）作為一種成熟的聽力重建手段，已廣泛應(yīng)用于重度聽力損失兒童5。然而，CI植入術(shù)后的康復(fù)效果受年齡、家庭環(huán)境、聽力損失程度等多種因素的影響既往CI植人術(shù)后聽覺言語康復(fù)效果研究主要使用統(tǒng)計學(xué)模型進(jìn)行，難以全面探討影響因素與結(jié)果之間的復(fù)雜關(guān)系，影響個性化干預(yù)方案的實施。近年來，AI及其子領(lǐng)域機器學(xué)習(xí)算法在臨床廣泛應(yīng)用，尤其在數(shù)據(jù)預(yù)測、特征篩選與個性化醫(yī)療方面[7-9]鑒于低齡兒童言語能力有限，父母評估兒童聽說能力表現(xiàn)（Parents’EvaluationofAural/OralPerformanceofChildren，PEACH）問卷已廣泛用于患兒聽覺語言能力評估[10-11]。本研究應(yīng)用機器學(xué)習(xí)算法并結(jié)合PEACH問卷數(shù)據(jù)，建立CI植入術(shù)后兒童聽覺言語康復(fù)效果的預(yù)測模型，并篩選其關(guān)鍵影響因素，旨在為個性化臨床干預(yù)提供科學(xué)支持。

1 資料與方法

1.1一般資料選取2012年1月—2024年10月首都醫(yī)科大學(xué)附屬北京兒童醫(yī)院行CI植入術(shù)的187例兒童。納入標(biāo)準(zhǔn)： ① 符合《人工耳蝸植入工作指南2013》中的植人標(biāo)準(zhǔn)[12]； ② 在開機時及開機后1、3、6、12、24、36個月完成術(shù)后隨訪及PEACH問卷評估。排除標(biāo)準(zhǔn)：存在神經(jīng)發(fā)育異常、嚴(yán)重內(nèi)耳畸形及其他可能嚴(yán)重影響聽覺言語康復(fù)效果的疾病。

1.2方法

1.2.1資料收集收集患兒相關(guān)臨床指標(biāo)及PEACH問卷結(jié)果，然后利用機器學(xué)習(xí)算法對問卷調(diào)查結(jié)果進(jìn)行建模分析。PEACH問卷[13]是標(biāo)準(zhǔn)化量表，用于評估現(xiàn)實世界環(huán)境中在安靜和嘈雜情況下，聽力損失或聽力正常兒童的功能性聽覺能力和助聽效果。在術(shù)后1、3、6、12、24和36個月對所有患兒進(jìn)行了PEACH問卷評估，并收集問卷結(jié)果。臨床相關(guān)指標(biāo)包括：CI使用時間、開機月齡、性別、主要看護(hù)人教育程度、居住地、術(shù)前聽性腦干反應(yīng)（AuditoryBrainstemResponse，ABR）值、術(shù)前聽性穩(wěn)態(tài)反應(yīng)（Auditory Steady-state Response，ASSR）閾值、居住地及術(shù)前助聽器佩戴史等。

1.2.2數(shù)據(jù)處理

1.2.2.1數(shù)據(jù)預(yù)處理與特征篩選：采用機器學(xué)習(xí)算法能夠有效處理缺失值和剔除異常數(shù)據(jù)。在實際情況下，原始數(shù)據(jù)具有量綱差異，其數(shù)值范圍不一。因此本研究對所有連續(xù)性變量進(jìn)行了標(biāo)準(zhǔn)化處理。采用Z-score標(biāo)準(zhǔn)化方法，通過計算每個特征的均值（ μ ）和標(biāo)準(zhǔn)差（g），將原始數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布。計算公式為 。其中，X為原始數(shù)值，X為標(biāo)準(zhǔn)化后的數(shù)值。為了彌補不同分級出現(xiàn)分布不均衡的情況，本研究采用過采樣技術(shù)，對少數(shù)類樣本進(jìn)行人工少數(shù)類過采樣法（Synthetic Minority Oversampling Technique，SMOTE）處理。特征篩選是機器學(xué)習(xí)中的關(guān)鍵步驟，旨在從原始特征集合中識別并保留最具預(yù)測價值的變量，同時剔除冗余或無關(guān)特征。本研究納入的數(shù)據(jù)特征包括干預(yù)方式、性別、開機月齡、術(shù)前ABR閾值、術(shù)前ASSR閾值、內(nèi)耳畸形情況、術(shù)前助聽器佩戴史、主要看護(hù)人受教育程度、居住地、CI使用時間。利用python中SelectKBest函數(shù)對其進(jìn)行特征選取，最終保留了10個最重要的特征，并呈現(xiàn)其F值圖。1.2.2.2預(yù)測建模與驗證：由于PEACH問卷第1、2個問題為設(shè)備日常使用和聽覺舒適度問題，故不計入總分，其余PEACH問卷題目總分轉(zhuǎn)化為百分比（ % ），最后將PEACH問卷評估等級結(jié)果作為預(yù)測模型的目標(biāo)變量。本研究采用人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）、隨機森林（RandomForest，RF）和支持向量機（SupportVector Machine，SVM）3種經(jīng)典機器學(xué)習(xí)算法構(gòu)建預(yù)測模型。ANN模型采用多層感知器結(jié)構(gòu)，包含輸入層、2個隱藏層和輸出層，采用ReLU激活函數(shù)和Softmax輸出層；RF模型采用集成多個決策樹的預(yù)測結(jié)果；SVM模型則采用徑向基函數(shù)（RadialBasisFunction，RBF）作為核函數(shù)。模型驗證方法使用了五折交叉驗證，訓(xùn)練集與測試集按 8 ： 2 劃分。本研究的933個數(shù)據(jù)經(jīng)采樣技術(shù)和數(shù)據(jù)集劃分后，最終測試集數(shù)量為283，呈現(xiàn)在混淆陣中。以上數(shù)據(jù)預(yù)處理、特征篩選、機器學(xué)習(xí)訓(xùn)練、模型驗證使用Python3.0JupyterLab 進(jìn)行。1.3統(tǒng)計學(xué)方法所有數(shù)據(jù)使用SPSS26.0軟件進(jìn)行統(tǒng)計學(xué)分析，計數(shù)資料用例數(shù)（百分比 ） [ n （ % ） ] 表示，計量資料以均數(shù) ± 標(biāo)準(zhǔn)差 表示，關(guān)鍵特征的顯著性采用獨立樣本 檢驗， Plt;0 . 0 5 表示差異具有統(tǒng)計學(xué)意義。預(yù)測模型性能評價采用準(zhǔn)確率、靈敏度、特異度及混淆矩陣。

2 結(jié)果

2.1一般資料本研究共納入187例行CI植入術(shù)的兒童，在其術(shù)后1、3、6、12、24和36個月共收集PEACH問卷933份。PEACH問卷評估結(jié)果按百分比分為 0 %～2 5 % 、 2 6 %～5 0 % 、 5 1 % ～ 7 5 % 和 7 6 % ～ 1 0 0 % 四個等級，結(jié)果顯示第一級占 3 7 . 8 3 % ，第二級占2 3 . 7 9 % ，第三級占 1 5 . 9 7 % ，第四級占 2 2 . 4 0 % 。患兒相關(guān)臨床資料見表1。

2.2預(yù)測模型性能評價

2.2.1預(yù)測模型性能評價指標(biāo)準(zhǔn)確率、靈敏度和特異度是機器學(xué)習(xí)模型性能評價中的主要評價指標(biāo)。

其中，準(zhǔn)確率作為總體性能度量指標(biāo)，其表達(dá)式為：（ T P + T N ）/（ T P + T N + F P + F N ）。真陽性（TruePositive，TP）表示正確識別第i級樣本的數(shù)量；真陰性（TrueNegative，TN）為正確識別非i級樣本的數(shù)量；假陽性（FalsePositive，F(xiàn)P）為錯誤地將非i級樣本判為i級的數(shù)量；假陰性（FalseNegative，F(xiàn)N）為錯誤地將i級樣本判為其他級別的數(shù)量。靈敏度計算公式為：TP/（ T P + F N ），衡量模型識別目標(biāo)級別的能力；特異度計算公式為：TN/（ T N + F P ），衡量模型排除非目標(biāo)級別的能力。

本研究中ANN模型整體準(zhǔn)確率最高，為 7 4 . 9 1 % 表現(xiàn)出較強的分類能力。該模型在PEACH問卷各個分級的靈敏度、特異度均較為均衡，尤其是在第三級的靈敏度（ 7 8 . 2 6 % ）和特異度（ 9 0 . 1 9 % ）較高，表現(xiàn)出最佳的預(yù)測效果。而RF模型整體準(zhǔn)確率為7 1 . 0 2 % ，在PEACH問卷第四級表現(xiàn)最佳，具有較高的靈敏度（ 7 9 . 4 5 % ），且在該分級特異度最高（ 9 3 . 8 1 % ）。然而，該模型在PEACH問卷第二級的靈敏度較低，僅為 5 2 . 7 8 % 。SVM模型整體準(zhǔn)確率相對較低（ 6 8 . 2 0 % ）。該模型在PEACH問卷第一級和第四級的靈敏度相對較高，其第四級靈敏度和特異度達(dá)到 7 6 . 7 1 % 和 9 2 . 3 8 % 。綜合而言，三種模型在PEACH問卷第二級中的靈敏度均弱于其他級，在第四級的特異度優(yōu)于其他級（見表2）。

2.2.2預(yù)測模型混淆矩陣混淆矩陣是評估分類模型性能的重要工具，直觀展示預(yù)測結(jié)果與真實結(jié)果之間的對應(yīng)關(guān)系。其中，對角線元素表示正確分類的樣本數(shù)量，而非對角線元素則表示被錯誤分類的樣本數(shù)量。

本研究ANN算法所構(gòu)建的模型表現(xiàn)出較好的分類能力?；煜仃嚕ㄈ鐖D1A）數(shù)據(jù)計算結(jié)果顯示，第一級、第三級和第四級的分類準(zhǔn)確率分別為53/69（ 7 6 . 8 1 % ）、54/69（ 7 8 . 2 6 % ）和57/73（ 7 8 . 0 8 % ），而第二級的準(zhǔn)確率為48/72（ 6 6 . 6 7 % ）。第二級樣本被誤分為第一級的情況較為顯著，第一級與第二級之間存在互誤現(xiàn)象。

RF模型呈現(xiàn)出良好的分類表現(xiàn)。混淆矩陣（如圖1B）數(shù)據(jù)計算結(jié)果顯示，第一級、第三級和第四級的分類準(zhǔn)確率分別為55/69（ 7 9 . 7 1 % ）、50/69（ 7 2 . 4 6 % ）和58/73（ 7 9 . 4 5 % ），表現(xiàn)較為優(yōu)異；而第二級的準(zhǔn)確率為38/72（ 5 2 . 7 8 % ），相對偏低。第二級樣本存在較高的誤分率，尤其是被誤分為第一級的情況較多（19例），這表明模型在區(qū)分第一級與第二級樣本時存在一定挑戰(zhàn)。第三級樣本被誤分為第四級（8例）和第四級樣本被誤分為第三級（12例）的情況也較為突出，這顯示這兩個級別之間的邊界特征需要進(jìn)一步優(yōu)化。

SVM模型展現(xiàn)出較為穩(wěn)定的分類表現(xiàn)?；煜仃嚕ㄈ鐖D1C）數(shù)據(jù)計算結(jié)果證實了其良好的分類能力。第一級、第二級、第三級和第四級的分類準(zhǔn)確率分別為52/69（ 7 5 . 3 6 % ）、43/68（ 6 3 . 2 4 % ）、42/73（ 5 7 . 5 3 % ）和56/73（ 7 6 . 7 1 % ）。值得注意的是，第三級樣本的分類準(zhǔn)確率相對較低，主要原因在于有12例第三級樣本被誤分為第四級，同時也有12例第四級樣本被誤分為第三級，表明模型在區(qū)分這兩個級別時存在一定困難。此外，第二級與第三級之間也存在互誤現(xiàn)象，各有11例樣本被錯誤分類。2.3重要特征本研究中納入了CI使用時間、干預(yù)方式、性別、開機月齡、術(shù)前ABR閾值，術(shù)前ASSR閾值、內(nèi)耳畸形情況（正常發(fā)育和前庭導(dǎo)水管擴大）、術(shù)前助聽器佩戴史、主要看護(hù)人受教育程度、居住地共10個變量作為模型特征。其中，將開機月齡作為分類變量納入模型，將研究對象分為三組：早期植入組（ lt; 1 2 月齡）、中期植入組（12＼～24月齡）及晚期植入組（ gt; 2 4 月齡）。經(jīng)過特征篩選后具有顯著性（ Plt;0 . 0 5 ）的重要特征有7個，分別為CI使用時間、開機月齡分組、性別、主要看護(hù)人受教育程度、居住地、干預(yù)方式、術(shù)前助聽器使用史。其中CI使用時間、開機月齡分組的 F 值極高（ Plt;0 . 0 0 1 ），這顯示其對模型具有極大的影響。特征的 F 值與 P 值如圖2。

3 討論

本文基于人工神經(jīng)網(wǎng)絡(luò)、隨機森林和支持向量機三種機器學(xué)習(xí)方法構(gòu)建了預(yù)測模型，準(zhǔn)確率分別達(dá)到 7 4 . 9 1 % 、 7 1 . 0 2 % 、 6 8 . 2 0 % 。特征篩選過程發(fā)現(xiàn)，有7個因素顯著影響CI植入術(shù)后兒童聽覺語言康復(fù)效果，包括CI使用時間、開機月齡、性別、主要看護(hù)人教育程度、居住地、干預(yù)方式、術(shù)前助聽器使用史。本研究使用PEACH問卷和機器學(xué)習(xí)算法預(yù)測CI植入術(shù)后兒童聽覺語言康復(fù)效果，為CI植入術(shù)的個性化調(diào)試提供了快速無創(chuàng)的新工具和新方法。

目前，國內(nèi)外已初步探索了CI植人效果預(yù)測模型，然而其效果尚待進(jìn)一步的外部驗證。有研究表明這些預(yù)測模型的結(jié)局指標(biāo)存在顯著異質(zhì)性，包括言語識別率、標(biāo)準(zhǔn)化問卷評分以及研究者自行構(gòu)建的綜合指標(biāo)等，其分類預(yù)測模型的準(zhǔn)確度區(qū)間為 70 % ～ 9 5 % ，與本研究所獲得的準(zhǔn)確率水平相當(dāng)[13-14]。Carlson M L 等人[15]開發(fā)的機器學(xué)習(xí)模型可依據(jù)術(shù)前數(shù)據(jù)預(yù)測言語識別得分，準(zhǔn)確率可達(dá)87%，敏感度和特異度達(dá)90%和80%。LUS等人[16]根據(jù)70例CI植入患者的術(shù)前檢查及術(shù)后2年的隨訪數(shù)據(jù)構(gòu)建了預(yù)測模型，其對聽覺行為分級標(biāo)準(zhǔn)（CategoriesofAuditoryPerformance，CAP）和言語可懂度分級（Speech Intelligibility Rating，SIR）得分的預(yù)測準(zhǔn)確率達(dá) 7 1 % 和 9 3 % 。一項以言語識別評分為主要結(jié)局指標(biāo)的預(yù)測模型共納入2489例CI植入者，結(jié)果表明機器學(xué)習(xí)算法較傳統(tǒng)統(tǒng)計模型顯著提升了預(yù)測效能（ Plt;0 . 0 0 1 ）。多項研究通過整合神經(jīng)解剖學(xué)特征或影像學(xué)數(shù)據(jù)，進(jìn)一步優(yōu)化了模型的預(yù)測準(zhǔn)確性與臨床適用性。FengG等人[的研究加入神經(jīng)形態(tài)學(xué)數(shù)據(jù)作為特征，模型準(zhǔn)確率達(dá)到7 6 % 。TanL等人[18]則利用CI植入前功能性核磁共振數(shù)據(jù)預(yù)測CI植人兩年后患兒的言語技能發(fā)展情況，二分類效果達(dá)到了 8 1 . 3 % 。WENGJ等人[]利用耳蝸解剖學(xué)參數(shù)構(gòu)建內(nèi)耳畸形CI植入兒童預(yù)測模型，其對CAP問卷和SIR問卷得分的準(zhǔn)確率可達(dá)9 3 . 3 % 8 6 . 7 % 。本研究未來有望引入功能性核磁共振、腦電圖等神經(jīng)影像學(xué)數(shù)據(jù)，以進(jìn)一步提高預(yù)測準(zhǔn)確度。

影響兒童CI植入效果的因素眾多，植人年齡、特殊疾?。ㄈ缏犐窠?jīng)病、蝸神經(jīng)發(fā)育不良）、康復(fù)訓(xùn)練情況、術(shù)前聽覺語言能力等是研究關(guān)注的重點[20]。目前國內(nèi)外研究[4，20]已經(jīng)證實，植入年齡和CI使用時間對術(shù)后聽覺語言能力評估有顯著影響。多數(shù)研究顯示，CI植入年齡越小，康復(fù)效果越好。早期植人被認(rèn)為是促進(jìn)患兒詞匯表達(dá)、言語發(fā)展的關(guān)鍵因素[21]。本研究中居住地（鄉(xiāng)村、城鎮(zhèn)、城市）和主要看護(hù)人受教育程度也是影響CI植入術(shù)后患兒聽覺語言能力的顯著因素，與ChingTY等人的研究類似。值得注意的是，本研究發(fā)現(xiàn)性別是顯著的影響因素，而冀飛等人[22]的研究則認(rèn)為性別非顯著影響因素，這可能是因為機器學(xué)習(xí)的數(shù)據(jù)驅(qū)動特性，其不預(yù)先對數(shù)據(jù)做出假設(shè)，但能從數(shù)據(jù)中挖掘出潛在規(guī)律。文中術(shù)前助聽器使用史（ 1 4 . 4 4 % ）和雙模式植入（ 4 . 8 1 % ）的患兒比例偏低，可能影響了特定特征在模型中的權(quán)重估計精確度，從而限制了特征篩選的全面性和穩(wěn)健性。除在術(shù)后康復(fù)效果預(yù)測外，AI在CI領(lǐng)域方面有著廣闊應(yīng)用前景。AI已應(yīng)用于CI編碼策略中，提高了CI在復(fù)雜聲學(xué)環(huán)境中的性能表現(xiàn)[23-24]。CI作為日常使用的設(shè)備，可產(chǎn)生大量的個體用戶數(shù)據(jù)，持續(xù)收集用戶行為、偏好等個體數(shù)據(jù)用于AI分析，可進(jìn)一步優(yōu)化CI使用者的日常體驗。此外，AI還可應(yīng)用于CI調(diào)機，有研究[25]表明，與單獨手動調(diào)試相比，利用AI作為輔助工具可改善聽力效果。

綜上所述，CI使用時間、開機月齡、性別、主要看護(hù)人受教育程度、居住地等對術(shù)后聽覺語言能力評估有顯著影響。然而，本研究尚未開展嚴(yán)格的外部驗證，模型在不同人群和醫(yī)療環(huán)境中的泛化能力有待進(jìn)一步評估。未來研究應(yīng)擴大樣本量，并通過多中心外部驗證強化模型的穩(wěn)健性和可信度，以期為臨床決策提供更為可靠的輔助工具。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻(xiàn)聲明：白杰負(fù)責(zé)數(shù)據(jù)分析，繪制圖表，設(shè)計論文框架，起草論文；白杰、李穎、金欣、晏美柅、劉海紅均參與該項目具體操作及研究過程的實施；李穎、金欣、晏美根負(fù)責(zé)數(shù)據(jù)收集與整理；劉海紅負(fù)責(zé)擬定寫作思路，指導(dǎo)撰寫文章并最后定稿。

參考文獻(xiàn)

[1] WorldHealth Organization.World reportonhearing[R/OL].Geneva： WHO，2021[2021-04-30]. https： //www.who.int/publications/i/item/worldreport-on-hearing.

[2]OlusanyaBO，NeumannKJ，SaundersJE.The global burden of disabling hearingimpairment：acall toaction[J].Bull World Health Organ，2014， 92（5）： 367-373.

[3]Nordvik O，Laugen Heggdal P O，Br？nnstromJ， et al. Generic quality of life in persons with hearing loss： a systematic literature review[J]. BMC Ear NoseThroatDisord，2018.DOI：10.1186/s12901-018-0051-6.

[4]Shield B.Evaluation of the social and economic costs of hearing impairment[R/OL]. A report for Hear，2006[2021-04-30]. https： //www. hear-it.org/de/multimedia/Hear_It_Report_October_2Oo6.pdf.

[5]Carlyon RP， Goehring T. Cochlear implant research and development in thetwenty-first century：acritical update[J].Journal of the Association for Research in Otolaryngology：JARO，2021，22（5）： 481-508.

[6]Cosetti K，Waltzman SB.Outcomes incochlear implantation：variables affectingperformance inadultsand children[J].Otolaryngologic Clinics of North America，2012，45（1）：155-171.

[7] Frosolini A，F(xiàn)ranzI，CaragliV，etal.Artificial intelligenceinaudiology： a scoping review of current applicationsand future directions[J]. Sensors （Basel），2024，24（22）： 7126.

[8] BeamAL，DrazenJM，KohaneIS，etal.Artificial intelligence inmedicine[J] TheNewEngland JournalofMedicine，2023，388（13）：1220-1221.

[9] 魏興梅，薛書錦，高振橙，等.人工智能在人工耳蝸植入中的應(yīng)用[J]. 首都醫(yī)科大學(xué)學(xué)報，2024，45（6）：931-937.

[10]郭倩倩，陳雪清，孟超，等.常用聽覺能力評估問卷臨床應(yīng)用比較[J]. 中國耳鼻咽喉頭頸外科，2018，25（9）：485-489.

[11]ChingTY，HillM.TheParents’EvaluationofAural/OralPerformance ofChildren（PEACH） scale：normativedata[J].Journalof theAmerican Academy of Audiology，2007，18（3）：220-235.

[12]中華耳鼻咽喉頭頸外科雜志編輯委員會，中華醫(yī)學(xué)會耳鼻咽喉頭 頸外科學(xué)分會，中國殘疾人康復(fù)協(xié)會聽力語言康復(fù)專業(yè)委員會．人 工耳蝸植入工作指南（2013）[J].中華耳鼻咽喉頭頸外科雜志，2014， 49（2）： 89-95.

（下轉(zhuǎn)666頁）