LUNAR: marco de análisis de series temporales conscientes de la periodicidad para la detección respiratoria de...

Área de la Ciencia:

• Tecnología médica
• Inteligencia artificial en la salud
• Medicamento para las vías respiratorias

Sus antecedentes:

• La detección precisa del ciclo respiratorio es vital para diagnosticar enfermedades respiratorias como el asma y la neumonía.
• Los métodos actuales a menudo dependen de médicos expertos, lo que lleva a inconsistencias, especialmente en áreas desatendidas.
• Los modelos de IA existentes para el análisis del sonido respiratorio requieren anotaciones manuales, lo que dificulta los procesos automatizados.

Objetivo del estudio:

• Introducir el detector respiratorio de auscultación LUNg (LUNAR), un marco de aprendizaje profundo para la detección automática del ciclo respiratorio.
• Abordar el cuello de botella de la anotación manual en el análisis automatizado de sonido respiratorio.
• Desarrollar una herramienta robusta para el análisis clínico del sonido pulmonar, reduciendo la dependencia de los conocimientos especializados.

Principales métodos:

• Desarrolló LUNAR, un marco de aprendizaje profundo consciente de la periodicidad que procesa señales de auscultación pulmonar sin procesar.
• Integró un nuevo módulo de conciencia de periodicidad respiratoria (RPAM) con una red neuronal convolucional.
• Entrenado en HF_Lung_V1 y validado en los conjuntos de datos ICBHI y SNUCH_Lung.

Principales resultados:

• LUNAR demostró un rendimiento excepcional con AP: 0,880 y F1: 0,894.
• El módulo RPAM mejoró el rendimiento en un 12,0% en AP y un 6,3% en la puntuación F1 en todas las variantes.
• El modelo mantuvo resultados sólidos tanto para poblaciones adultas como pediátricas utilizando datos de series temporales en bruto.

Conclusiones:

• LUNAR ofrece una solución robusta para la detección automática del ciclo respiratorio en el análisis clínico del sonido pulmonar.
• El marco reduce la necesidad de interpretación especializada, mejorando la accesibilidad a la atención sanitaria en entornos con recursos limitados.
• Potencial para una aplicación más amplia a través de datos multiinstitucionales y extensión a la detección de sonidos respiratorios anormales.