Адаптированный ИИ улучшает обнаружение патологических звуков в легких у детей через смартфон

Респираторные заболевания у детей являются серьезной глобальной проблемой. Клиницисты традиционно полагаются на стетоскопы для обнаружения патологических звуков в легких, однако доступность аускультации ограничена необходимостью личных визитов.

Смартфоны со встроенными микрофонами и широкой доступностью могли бы поддерживать домашний скрининг дыхательных путей. Однако применение моделей ИИ, обученных на записях электронного стетоскопа к звукам смартфона, остается сложной задачей из-за существенного несоответствия в областях, вызванного различиями в способе захвата звука устройствами.

Для решения этой проблемы исследовательская группа из Департамента прикладного искусственного интеллекта Сеульского национального университета науки и технологий в Южной Корее разработала фреймворк адаптивного глубокого обучения, специально разработанный для развертывания на смартфонах. Группа руководится доцентом Сеон-Ын Ким и включает первого автора Сынгю Чжона, аспиранта.

"Для нейронной сети смартфон и электронный стетоскоп практически говорят на разных языках", объясняет Ким. "Вместо простого объединения данных с двух устройств, наш подход предлагает надежную адаптацию доменов, где модель обучается на надежных размеченных записях электронного стетоскопа, адаптируясь к домену смартфона."

Их исследование опубликовано в IEEE Journal of Biomedical and Health Informatics.

Исследователи сначала собрали парные записи стетоскопа и смартфона. Для основного набора данных они получили записи звуков легких электронного стетоскопа для 611 детей в возрасте 0-6 лет. Из них 147 также предоставили парные записи со смартфона. На обоих устройствах звуки легких записывались в одних и тех же четырех анатомических местах. Такие парные наборы данных редки.

Кроме того, исследователи собрали независимый внешний набор данных, состоящий только из записей со смартфона от 48 детей для валидации.

Для достижения эффективной адаптации доменов во время обучения исследователи применили две взаимодополняющие стратегии. Во-первых, звук со смартфона был предварительно обработан с использованием низкочастотного фильтра 1 кГц и понижен с дискретизацией с 48 кГц на 4 кГц. "Это приближает профиль частоты смартфона к стетоскопу", отмечает Ким.

Во-вторых, модель интегрирует модуль MixStyle, который вводит статистику признаков из домена смартфона в домен стетоскопа, делая данные стетоскопа более "похожими на смартфон". Этот модуль затем был интегрирован в основу Audio Spectrogram Transformer (AST), архитектуру глубокого обучения для классификации звука.

При тестировании на записях смартфона в основном наборе данных предложенная модель достигла показателя F1 0,802 и AUROC 0,911 для обнаружения патологических звуков в легких. Модель только для смартфона достигла показателя F1 0,732, а наивное объединение записей стетоскопа и смартфона достигло 0,708. Эти результаты показывают, что простое объединение данных с разных устройств не обязательно улучшает производительность, когда их акустические характеристики отличаются.

На независимой внешней когорте только со смартфоном модель, обученная только на стетоскопе, достигла показателя F1 0,034 и AUROC 0,388, что подчеркивает сложность применения моделей, обученных на одном устройстве записи, к другому.

Предложенная модель сохранила производительность на независимой внешней когорте смартфона, достигнув показателя F1 0,744 и AUROC 0,862 и превосходя другие протестированные подходы в домене смартфона. Эти результаты поддерживают потенциал фреймворка как вспомогательного инструмента для скрининга дыхательных путей на основе смартфона, хотя перед клиническим развертыванием требуется дополнительная валидация в реальных условиях.

"Наш фреймворк обеспечивает доказательство концепции масштабируемого и экономически эффективного скрининга дыхательных путей у детей", замечает Ким. "Он может помочь родителям проводить скрининг детей дома между посещениями, сохраняя клиницистов в процессе. Кроме того, такая технология могла бы улучшить дистанционные консультации клиник и помочь работникам здравоохранения в первичной сортировке в отдаленных районах."

Исследование демонстрирует, как выравнивание на уровне сигнала может уменьшить акустические различия между электронными стетоскопами и смартфонами, обеспечивая потенциальный путь к более доступному скринингу и мониторингу дыхательных путей. Потребуется дальнейшая валидация с более крупными многоцентровыми когортами, записями в реальных домашних условиях и несколькими моделями смартфонов.