Investigación sobre la clasificación de los sonidos de la tos para el cribado temprano del asma

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Medicina de las vías respiratorias
• Aprendizaje automático para la salud

Sus antecedentes:

• Los modelos de aprendizaje profundo son prometedores para la detección de enfermedades pulmonares a través del análisis de sonido respiratorio.
• Los estudios existentes a menudo utilizan arquitecturas de red única y descuidan el desequilibrio de clase y la estabilidad de la capacitación, lo que limita la aplicabilidad en el mundo real.

Objetivo del estudio:

• Evaluar un marco de fusión de aprendizaje profundo de varios modelos para la detección temprana eficaz y escalable del asma mediante el uso de sonidos de tos.
• Evaluar el potencial del marco para mejorar la precisión del diagnóstico y la generalización en entornos clínicos.

Principales métodos:

• Desarrolló un modelo de detección de asma que integra ResNet18, VGG16 y DenseNet121 a través de una capa de fusión.
• Se empleó la técnica SMOTE (Synthetic Minority Over-sampling Technique) para hacer frente al desequilibrio de los datos.
• Utilizó la pérdida de entropía cruzada ponderada, el entrenamiento de precisión mixto y la programación StepLR para mejorar la robustez y el rendimiento.

Principales resultados:

• El modelo de fusión propuesto logró una precisión del 95,9% en el conjunto de pruebas.
• Demostró fuertes capacidades de generalización, lo que indica su idoneidad para diversos entornos clínicos.
• El enfoque integrado aborda las limitaciones de las arquitecturas de red única y mejora la estabilidad de la formación.

Conclusiones:

• El marco de fusión de aprendizaje profundo multi-modelo ofrece un enfoque prometedor para la detección temprana del asma.
• La alta precisión y generalización del modelo respaldan su potencial para la detección no invasiva en tiempo real.
• Este método avanza en la aplicación de la IA en el diagnóstico respiratorio.