Aprendizaje profundo de supervisión débil para monitorear la gravedad de la apnea del sueño utilizando etiquetas de...

Área de la Ciencia:

• Ingeniería biomédica
• La inteligencia artificial en la medicina
• Medicina del sueño

Sus antecedentes:

• El diagnóstico de la apnea del sueño se basa en la anotación manual de señales fisiológicas, que requiere mucho tiempo y es costoso.
• Los enfoques actuales de aprendizaje automático para la detección de apnea requieren datos extensos y finamente etiquetados, lo que limita su aplicación clínica.
• La apnea del sueño no diagnosticada afecta a una gran población de pacientes, lo que pone de relieve la necesidad de herramientas de diagnóstico más accesibles.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo con poca supervisión para estimar la gravedad de la apnea del sueño de grano fino utilizando solo etiquetas de grano grueso.
• Incorporar el conocimiento clínico en un modelo de aprendizaje profundo para mejorar la precisión de la estimación de la gravedad de la apnea.
• Para reducir la dependencia de costosas etiquetas manuales para el diagnóstico de la apnea del sueño.

Principales métodos:

• Se diseñó una nueva pérdida de consistencia de doble granularidad mejorada por el conocimiento para mejorar el aprendizaje de la gravedad de la apnea de grano fino.
• El conocimiento clínico se codificó matemáticamente utilizando funciones de alineación ordinal para calibrar la precisión de la estimación.
• El marco utiliza etiquetas de grano grueso (presencia de apnea) para estimar la gravedad de grano fino.

Principales resultados:

• El método propuesto estima con precisión la gravedad de la apnea del sueño de grano fino en tiempo real.
• Se lograron costes de etiquetado significativamente reducidos en comparación con los métodos supervisados tradicionales.
• El modelo demostró un rendimiento superior en el monitoreo de la gravedad de la apnea a alta resolución temporal.

Conclusiones:

• El aprendizaje profundo poco supervisado, mejorado con conocimientos clínicos, ofrece una solución efectiva para la estimación de la gravedad de la apnea del sueño.
• Este enfoque puede reducir significativamente los costos de diagnóstico y ampliar el acceso al monitoreo de la apnea del sueño.
• El marco desarrollado es prometedor tanto para el diagnóstico de la apnea del sueño en el laboratorio como en el hogar.