Παιδιά: Προσαρμοσμένη τεχνητή νοημοσύνη βελτιώνει την ανίχνευση παθολογικών ήχων στους πνεύμονες μέσω smartphone

Τα αναπνευστικά νοσήματα στα παιδιά αποτελούν σημαντικό πρόβλημα παγκοσμίως. Οι γιατροί βασίζονται παραδοσιακά στο στηθοσκόπιο για να εντοπίσουν παθολογικούς ήχους στους πνεύμονες, όμως η ακρόαση μπορεί να είναι δύσκολη όταν απαιτείται επίσκεψη σε ιατρείο.

Τα smartphone, χάρη στα ενσωματωμένα μικρόφωνα και την ευρεία διάδοσή τους, θα μπορούσαν να υποστηρίξουν τον αναπνευστικό έλεγχο στο σπίτι. Ωστόσο, η εφαρμογή μοντέλων τεχνητής νοημοσύνης που έχουν εκπαιδευτεί με ηχογραφήσεις από ηλεκτρονικά στηθοσκόπια σε ήχο από smartphone παραμένει δύσκολη, επειδή οι συσκευές καταγράφουν τον ήχο με διαφορετικό τρόπο.

Για να αντιμετωπίσει αυτή την απόκλιση, ερευνητική ομάδα του Τμήματος Εφαρμοσμένης Τεχνητής Νοημοσύνης στο Seoul National University of Science and Technology της Νότιας Κορέας ανέπτυξε ένα πλαίσιο βαθιάς μάθησης προσαρμογής πεδίου, σχεδιασμένο ειδικά για χρήση σε smartphone. Επικεφαλής της ομάδας είναι ο αναπληρωτής καθηγητής Seong-Eun Kim, ενώ πρώτος συγγραφέας της μελέτης είναι ο υποψήφιος διδάκτορας Seunggyu Jeong.

«Για ένα νευρωνικό δίκτυο, το smartphone και το ηλεκτρονικό στηθοσκόπιο ουσιαστικά “μιλούν διαφορετικές γλώσσες”», εξηγεί ο Kim. «Αντί απλώς να συγκεντρώνουμε τα δεδομένα από τις δύο συσκευές, η προσέγγισή μας επιτρέπει αξιόπιστη προσαρμογή πεδίου: το μοντέλο μαθαίνει από αξιόπιστες, επισημασμένες ηχογραφήσεις ηλεκτρονικού στηθοσκοπίου, ενώ ταυτόχρονα προσαρμόζεται στο πεδίο των smartphone».

Η μελέτη δημοσιεύτηκε στο IEEE Journal of Biomedical and Health Informatics.

Οι παράλληλες ηχογραφήσεις βοηθούν στην προσαρμογή μεταξύ συσκευών

Αρχικά, οι ερευνητές συγκέντρωσαν παράλληλες ηχογραφήσεις με στηθοσκόπιο και smartphone. Για το κύριο σύνολο δεδομένων, κατέγραψαν ήχους των πνευμόνων με ηλεκτρονικό στηθοσκόπιο σε 611 παιδιά ηλικίας 0–6 ετών. Από αυτά, 147 έδωσαν επίσης παράλληλες ηχογραφήσεις με smartphone. Οι ήχοι καταγράφηκαν και με τις δύο συσκευές σε τέσσερα ίδια ανατομικά σημεία. Τέτοια σύνολα δεδομένων είναι σπάνια.

Οι ερευνητές συγκέντρωσαν επίσης ένα ανεξάρτητο εξωτερικό σύνολο δεδομένων, με ηχογραφήσεις μόνο από smartphone σε 48 παιδιά, για την επικύρωση του μοντέλου.

Για αποτελεσματική προσαρμογή πεδίου κατά την εκπαίδευση, εφάρμοσαν δύο συμπληρωματικές στρατηγικές. Πρώτον, επεξεργάστηκαν τον ήχο από τα smartphone με χαμηλοπερατό φίλτρο 1 kHz και μείωσαν τη συχνότητα δειγματοληψίας από 48 kHz σε 4 kHz. «Έτσι, το προφίλ συχνοτήτων του smartphone πλησιάζει περισσότερο εκείνο του στηθοσκοπίου», σημειώνει ο Kim.

Δεύτερον, το μοντέλο ενσωματώνει μια κατευθυντική μονάδα MixStyle, η οποία εισάγει στατιστικά χαρακτηριστικά από το πεδίο των smartphone στο πεδίο του στηθοσκοπίου, κάνοντας τα δεδομένα του στηθοσκοπίου να μοιάζουν περισσότερο με δεδομένα smartphone. Στη συνέχεια, η μονάδα ενσωματώθηκε σε ένα Audio Spectrogram Transformer (AST), μια αρχιτεκτονική βαθιάς μάθησης για την ταξινόμηση ήχου.

Το προσαρμοσμένο μοντέλο υπερέχει της απλής συνένωσης δεδομένων

Στις δοκιμές με τις ηχογραφήσεις smartphone του κύριου συνόλου δεδομένων, το προτεινόμενο μοντέλο πέτυχε βαθμολογία F1 0,802 και AUROC 0,911 στην ανίχνευση παθολογικών ήχων στους πνεύμονες. Το μοντέλο που εκπαιδεύτηκε μόνο με δεδομένα smartphone πέτυχε βαθμολογία F1 0,732, ενώ η απλή συνένωση των ηχογραφήσεων από στηθοσκόπιο και smartphone έδωσε βαθμολογία 0,708. Τα ευρήματα δείχνουν ότι η απλή ανάμειξη δεδομένων από διαφορετικές συσκευές δεν βελτιώνει κατ’ ανάγκη την απόδοση, όταν οι ακουστικές τους ιδιότητες διαφέρουν.

Στο ανεξάρτητο εξωτερικό σύνολο ηχογραφήσεων από smartphone, το μοντέλο που είχε εκπαιδευτεί μόνο με δεδομένα στηθοσκοπίου πέτυχε βαθμολογία F1 0,034 και AUROC 0,388, αναδεικνύοντας τη δυσκολία εφαρμογής ενός μοντέλου που έχει εκπαιδευτεί με μία συσκευή σε ηχογραφήσεις από άλλη.

Το προτεινόμενο μοντέλο διατήρησε την απόδοσή του και στο ανεξάρτητο εξωτερικό σύνολο, πετυχαίνοντας βαθμολογία F1 0,744 και AUROC 0,862 και υπερέχοντας των άλλων προσεγγίσεων για το πεδίο των smartphone που δοκιμάστηκαν. Τα ευρήματα υποστηρίζουν τη δυνατότητα αξιοποίησης του πλαισίου ως υποστηρικτικού εργαλείου για αναπνευστικό έλεγχο παιδιών μέσω smartphone, αν και απαιτείται περαιτέρω αξιολόγηση σε πραγματικές συνθήκες πριν από την κλινική εφαρμογή.

Ο έλεγχος στο σπίτι χρειάζεται ευρύτερη επικύρωση

«Το πλαίσιο που αναπτύξαμε αποτελεί απόδειξη της δυνατότητας για αναπνευστικό έλεγχο παιδιών σε μεγάλη κλίμακα και με χαμηλό κόστος», αναφέρει ο Kim. «Θα μπορούσε να βοηθήσει τους γονείς να ελέγχουν τα παιδιά στο σπίτι μεταξύ των επισκέψεων, διατηρώντας παράλληλα τη συμμετοχή των επαγγελματιών υγείας. Επιπλέον, μια τέτοια τεχνολογία θα μπορούσε να βελτιώσει τις εξ αποστάσεως ιατρικές συμβουλές και να βοηθήσει τους εργαζομένους στην κοινοτική υγεία να κάνουν αρχική διαλογή σε απομακρυσμένες περιοχές».

Η μελέτη δείχνει πώς η ευθυγράμμιση σε επίπεδο σήματος μπορεί να περιορίσει τις ακουστικές διαφορές μεταξύ ηλεκτρονικών στηθοσκοπίων και smartphone, προσφέροντας μια πιθανή οδό για πιο προσβάσιμο αναπνευστικό έλεγχο και παρακολούθηση. Θα χρειαστεί περαιτέρω επικύρωση σε μεγαλύτερες ομάδες από πολλαπλά κέντρα, με ηχογραφήσεις στο σπίτι σε πραγματικές συνθήκες και με διαφορετικά μοντέλα smartphone.

Seunggyu Jeong και συν., «Smartphone-Based Detection of Abnormal Lung Sounds Using Domain-Adaptive Deep Learning», IEEE Journal of Biomedical and Health Informatics (2026). DOI: 10.1109/jbhi.2026.3718492.

Η χρήση τέτοιων εργαλείων δεν υποκαθιστά την ιατρική αξιολόγηση· οι αποφάσεις για την υγεία του παιδιού πρέπει να λαμβάνονται σε συνεννόηση με τον γιατρό.