Stéthoscope hybride à IA efficace pour détecter les maladies cardiaques et respiratoires

Les progrès de l’analyse d’apprentissage en profondeur qui peuvent interpréter les sons du corps humain à des fins cliniques continuent de progresser, et la manière dont ces technologies peuvent être appliquées continue d’être étudiée. Selon un article publié dans Sensors, faire progresser le stéthoscope et infuser la technologie de l’intelligence artificielle (IA) présente plusieurs avantages, notamment la capacité de fournir et de produire automatiquement des enregistrements audio numériques et des résultats de diagnostic.

La détection précoce des maladies cardiaques et respiratoires est cruciale pour l’efficacité des interventions. Pendant des années, le stéthoscope a été un appareil d’auscultation efficace qui permet une évaluation respiratoire et cardiaque à travers les bruits cardiaques, le rythme et les bruits respiratoires. Étant donné que l’auscultation repose sur l’expérience du médecin, le processus peut être très subjectif. Associées à des signaux sonores compliqués pour diverses maladies cardiaques et pulmonaires, l’identification et l’interprétation des sons lors de l’auscultation ont été rapportées comme un problème générique dans des études antérieures et pourraient conduire à un diagnostic inexact ou à un mauvais traitement.

Les efforts pour créer des méthodes de détection automatisées des sons à des fins cliniques sont en cours. Les auteurs de l’étude ont déclaré que plusieurs études antérieures se sont concentrées sur la formation d’un modèle indépendant séparément pour le diagnostic des sons pulmonaires ou cardiaques, mais notent qu’il est essentiel de disposer d’un modèle capable de “détecter simultanément les sons pulmonaires et cardiaques anormaux”.

Les chercheurs ont développé un modèle hybride pour classer les dysfonctionnements cardiaques et respiratoires, en utilisant le réseau neuronal convolutif (CNN) et la forêt des meilleures divergences (BDF). Les expériences ont abouti à un modèle hybride qui “surclasse les méthodes de pointe”, ont déclaré les chercheurs dans l’étude. Les enquêteurs ont également conçu un stéthoscope numérique qui se connecte à un ordinateur monocarte Raspberry Pi Zero 2w à faible coût. Le modèle proposé a fonctionné “sans heurts” sur l’ordinateur et en raison du faible coût associé au stéthoscope numérique (environ 25 dollars), il peut être utilisé dans les pays en développement, ont noté les auteurs de l’étude.

Des expériences ont démontré que ce modèle pouvait diagnostiquer 11 types de maladies cardiaques et pulmonaires avec des performances « satisfaisantes » et était capable d’être déployé sur un ordinateur monocarte à faible coût. Deux ensembles de données accessibles au public ont été utilisés pour l’expérience. L’ensemble de données 2017 de l’International Conference on Biomedical Health Informatics (ICBHI), qui a été recueilli auprès de 126 personnes en Grèce et au Portugal. L’ensemble de données comprenait 5,5 heures d’enregistrements audio, échantillonnés à partir des fréquences 4 kHz, 10 kHz et 44,1 kHz, avec des durées d’enregistrement allant de 10 secondes à 90 secondes. L’ensemble de données sur les bruits cardiaques était composé de 1 000 enregistrements, répartis uniformément en 5 catégories : normal (N), sténose mitrale (MS), sténose aortique (SA), régurgitation mitrale (MR) et prolapsus de la valve mitrale (MVP). Les résultats expérimentaux ont démontré que le modèle de prédiction à 11 classes « pouvait atteindre une précision de 99,94 %, une précision de 99,84 %, une spécificité de 99,89 %, une sensibilité de 99,66 % et un score F1 de 99,72 %.

Les auteurs ont noté que le modèle hybride peut détecter simultanément les maladies pulmonaires et cardiaques, bien que “les problèmes de classification avec de nombreuses classes avec des ensembles de données déséquilibrés présentent plus un défi qu’un problème avec moins de classes”. Les expériences ont démontré que le modèle hybride proposé qui gère 11 classes pourrait atteindre de meilleures performances que d’autres modèles qui utilisent les mêmes ensembles de données avec moins de classes. Une limite de l’étude est que le modèle hybride proposé n’a pas été testé dans les hôpitaux. Les auteurs espèrent qu’un financement supplémentaire produira plus de stéthoscopes numériques et collaborera avec le personnel hospitalier pour les tests de modèles et l’acquisition de données.

Référence:

Zhang M, Li M, Guo L, Liu J. Un stéthoscope à faible coût alimenté par l’IA et un modèle léger pour détecter les maladies cardiaques et respiratoires à partir des sons d’auscultation pulmonaire et cardiaque. Capteurs 2023,23,2591. 10.3390/s23052591