Почему ИИ безупречно слышит хрипы в легких у детей, но абсолютно бесполезен для диагноза врача
Аннотация. Классификаторы легочных звуков обычно оцениваются на уровне записей или событий, хотя каждый ребенок вносит много записей. Мы оценили конвейер базовой модели (PulmoVec) с пациентом в качестве единицы разделения и задались вопросом, можно ли предсказать группу заболевания, не учитывая возраст и пол. Методы. Мы проанализировали 19693 зафиксированных врачом респираторных явления у 736 детей в общедоступной базе данных SPRSound. Замороженный кодер Health Acoustic Representations с адаптерами низкого ранга был обучен для скрининга (нормальный или случайный), звуковой картины (нормальный, хрипы, хрипы/хрипы) и группы заболеваний (пневмония, бронхиальные заболевания, нормальный/другой); Вероятности событий были уложены в зависимости от возраста, пола и места аускультации. Первичный анализ представлял собой вложенную перекрестную проверку с группировкой пациентов, при которой каждый ребенок проходил тестирование один раз, с фиксированным отказом в качестве вторичного; компараторами были класс большинства, аннотированная продолжительность событий и демографические данные, а интервалы были получены в результате начальной загрузки пациентов. Результаты Для событий, сегментированных врачом, площадь под кривой рабочей характеристики приемника (AUC) составляла 0,95 (95% CI от 0,94 до 0,96) для скрининга и 0,95 (95% CI от 0,94 до 0,96) для звуковой картины, против 0,78 и 0,75 только для продолжительности события; положительная прогностическая ценность для случайных событий составила 0,72 (95% CI от 0,66 до 0,77). Прогнозирование группы заболеваний достигло AUC 0,58 (95% CI от 0,54 до 0,62); его точность (0,44) была ниже показателя большинства класса (0,62) на уровне события и на уровне пациента (0,46 против 0,60), а возраст и пол определяли 55.5% второго этапа атрибуции этого исхода. Выводы. Распознавание сегментированных врачом побочных событий осуществляется при проверке на уровне пациента, и его распознавание не объясняется продолжительностью события или демографическими данными, хотя при исследовательском анализе его решения отдавали предпочтение коротким событиям, а его положительная прогностическая ценность ограничивала бы использование без посторонней помощи. Прогнозирование группы заболеваний, клинический диагноз, только на основе звуковых явлений в легких не было продемонстрировано. Исследования звука легких должны распределять данные по пациентам, как показывают предшествующие данные, и сообщать о неакустических компараторах.
## В чем суть открытия Умный микрофон, который прекрасно улавливает скрип двигателя в автомобиле, но совершенно не может сказать вам, нуждается ли автомобиль в замене масла, новом ремне или полной замене двигателя. ## Как это устроено: принцип работы Конвейер осуществляет точную настройку замороженного кодировщика акустических представлений здоровья с помощью адаптеров низкого ранга (LoRA) на акустических событиях. Встраивания уровня событий объединяются с метаданными пациента (возраст, пол и место аускультации) для обучения классификаторов второго этапа, оцениваемых в рамках строгой вложенной перекрестной проверки с группировкой пациентов. ## Что это меняет на практике Требует разделения данных на уровне пациента в аудиомедицинских исследованиях искусственного интеллекта, предотвращая вводящие в заблуждение критерии и направляя клинические акустические модели от автономной диагностики заболеваний к инструментам скрининга на месте оказания медицинской помощи. ## Границы метода и риски Модельные решения непропорционально отдают предпочтение более коротким акустическим событиям, положительная прогностическая ценность (0,72) недостаточна для клинического использования без посторонней помощи, а одни только акустические данные не имеют контекста для сложных педиатрических диагнозов. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Screening AUC: 0.95; Sound Pattern AUC: 0.95; Adventitious PPV: 0.72; Disease Group AUC: 0.58; Disease Group Accuracy: 0.44 (event) / 0.46 (patient) vs 0.62 / 0.60 majority class baseline. - **Размер выборки / валидация:** N = 736 children, 19,693 physician-annotated respiratory sound events - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)