मरीज की सांस सुनना डॉक्टर के किट के सबसे पुराने उपकरणों में से एक है। सदियों से, चिकित्सक छाती के पास अपने कान या स्टेथोस्कोप लगाकर तरल पदार्थ की हल्की खड़खड़ाहट, संकीर्ण वायुमार्ग की उच्च-पिच वाली सीटी, या स्वस्थ फेफड़ों की सुचारू शांति का पता लगाने के लिए दबाव डालते रहे हैं। यह अभ्यास, जिसे ऑस्कल्टेशन (auscultation) कहा जाता है, पूरी तरह से मानव कान और सुनने वाले के अनुभव पर निर्भर करता है। हालांकि यह अमूल्य है, लेकिन यह व्यक्तिपरक भी है; दो डॉक्टर एक ही सांस में अलग-अलग चीजें सुन सकते हैं, और एक निदान इस बात पर बहुत अधिक निर्भर कर सकता है कि चिकित्सक ने कितना अभ्यास किया है। चूंकि अस्थमा जैसी श्वसन रोग दुनिया भर में लाखों लोगों को प्रभावित करती हैं, इसलिए चिकित्सा जगत लंबे समय से इस सुनने की प्रक्रिया को अधिक वस्तुनिष्ठ, सुसंगत और सुलभ बनाने का तरीका खोज रहा है, विशेष रूप से छोटे बच्चों या उन दूरदराज के क्षेत्रों के लिए जहां विशेषज्ञों की कमी है।

हाल के वर्षों में, वैज्ञानिकों ने सुनने में मदद करने के लिए कंप्यूटर की ओर रुख किया है। सांस की आवाज को स्पेक्ट्रोग्राम (spectrogram) नामक एक दृश्य मानचित्र में बदलकर—जहाँ समय नीचे की ओर चलता है और पिच बगल में ऊपर की ओर चलती है—शोधकर्ता सांस को एक छवि की तरह देख सकते हैं। यह उन्हें शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग करने की अनुमति देता है, जो मूल रूप से तस्वीरों में बिल्लियों या कारों को पहचानने के लिए डिज़ाइन किए गए थे, ताकि बीमारी के पैटर्न की पहचान की जा सके। हालांकि, इन शुरुआती प्रयासों में अक्सर पुराने कंप्यूटर मॉडल पर भरोसा किया गया जो केवल ध्वनि को देखते थे, रोगी की बाकी कहानी को अनदेखा कर देते थे, जैसे कि उनकी आयु या लिंग। इसके अलावा, विभिन्न कंप्यूटर कार्यक्रमों की तुलना करना कठिन था क्योंकि उन्हें अक्सर डेटा के अलग-अलग सेटों पर परखा गया था, जिससे यह जानना मुश्किल हो गया कि वास्तव में कौन सा सबसे अच्छा काम करता है।

बेन-गुरियन यूनिवर्सिटी, इज़राइल और परम स्टेट मेडिकल यूनिवर्सिटी, रूस के शोधकर्ताओं की एक टीम ने रोगियों के डेटा के एक एकल, साझा संग्रह पर नवीनतम पीढ़ी के कंप्यूटर मॉडलों का परीक्षण करके इन समस्याओं को हल करने का प्रयास किया। वे देखना चाहते थे कि क्या आधुनिक कृत्रिम बुद्धिमत्ता (AI) न केवल सांस की आवाजों को सुन सकती है, बल्कि रोगी के संदर्भ को भी समझ सकती है, जो कि एक मानव डॉक्टर के उस तरीके की नकल करता है जिसमें वह जो सुनता है उसे उस व्यक्ति के बारे में जो वह जानता है के साथ जोड़ता है। उनका कार्य अस्थमा वाले रोगियों और बिना अस्थमा वाले रोगियों के बीच अंतर करने पर केंद्रित है, जो एक ऐसा कार्य है जो इस स्थिति के प्रबंधन के लिए महत्वपूर्ण है जो विभिन्न देशों में आबादी के 29 प्रतिशत तक को प्रभावित करती है।

शोधकर्ताओं ने 1,300 से अधिक प्रतिभागियों के बड़े रिकॉर्डिंग सेट एकत्र किए, जिनमें शिशु से लेकर वयस्क तक शामिल थे। इन रिकॉर्डिंग ने शरीर के चार अलग-अलग स्थानों से शांत सांस लेने की आवाज को कैद किया: मुंह, श्वास नली, छाती और पीठ। प्रत्येक रिकॉर्डिंग के साथ रोगी के बारे में संरचित जानकारी भी थी, जिसमें उनकी आयु, लिंग और रिकॉर्डिंग का स्थान शामिल था। टीम ने इस डेटा को तीन अलग-अलग प्रकार के कंप्यूटर मॉडलों में डाला ताकि यह देखा जा सके कि कौन सा मॉडल सबसे सटीक रूप से अस्थमा का निदान कर सकता है।

पहला मॉडल जो उन्होंने परखा, वह एक स्थापित प्रकार का कंप्यूटर प्रोग्राम था जिसे कनवोल्यूशनल न्यूरल नेटवर्क (convolutional neural network) कहा जाता है, विशेष रूप से 'डेंसनेट201' (DenseNet201) नामक एक संस्करण। इस मॉडल का उपयोग उनके पिछले कार्य में किया गया था और यह एक विश्वसनीय आधार के रूप में कार्य करता था। इसने ध्वनि के दृश्य मानचित्र को ही देखा, रोगी के व्यक्तिगत विवरणों को अनदेखा कर दिया। दूसरा मॉडल, 'ऑडियो स्पेक्ट्रोग्राम ट्रांसफॉर्मर' (Audio Spectrogram Transformer) नामक एक अत्याधुनिक प्रणाली थी। यह मॉडल विशेष रूप से ध्वनि पैटर्न को समझने के लिए डिज़ाइन किया गया था और इसे इस चिकित्सा कार्य के अनुकूल बनाने से पहले विशाल ऑडियो पुस्तकालयों पर प्रशिक्षित किया गया था। तीसरा मॉडल, 'मूनड्रीम2' (Moondream2) नामक एक मल्टीमॉडल विजन-लैंग्वेज सिस्टम था। यह सबसे महत्वाकांक्षी प्रयास था; इसे ध्वनि मानचित्र को देखने और साथ ही साथ रोगी के आयु, लिंग और रिकॉर्डिंग स्थान के पाठ्य विवरण को पढ़ने के लिए डिज़ाइन किया गया था, इस उम्मीद में कि इन दो सूचना धाराओं को मिलाने से बेहतर निदान होगा।

परिणामों ने एक स्पष्ट विजेता का खुलासा किया। विशेष ध्वनि मॉडल, 'ऑडियो स्पेक्ट्रोग्राम ट्रांसफॉर्मर', उल्लेखनीय सटीकता के साथ अन्य सभी से बेहतर रहा। इसने सटीकता, संवेदनशीलता (sensitivity), विशिष्टता (specificity) और F1-स्कोर में 98.7% की सफलता दर हासिल की, जिसका यूडेन इंडेक्स (Youden Index) 0.974 था। यह प्रदर्शन पुराने डेंसनेट मॉडल की तुलना में काफी अधिक था, जो लगभग 87 प्रतिशत बार सही था। मल्टीमॉडल मॉडल, मूनड्रीम2, पुराने मॉडल के समान प्रदर्शन करता रहा, जिसने लगभग 86.5 प्रतिशत सटीकता प्राप्त की। दिलचस्प बात यह है कि शोधकर्ताओं ने पाया कि मल्टीमॉडल मॉडल ने उसे दिए गए टेक्स्ट (पाठ्य) विवरण पर बहुत अधिक भरोसा किया। जब उन्होंने इनपुट से रोगी की आयु और लिंग को हटा दिया, तो अस्थमा का निदान करने की मॉडल की क्षमता ढह गई, जिससे हर एक अस्थमा मामले में त्रुटियां हुईं। इससे यह संकेत मिला कि हालांकि मॉडल निर्णय लेने के लिए टेक्स्ट का उपयोग कर सकता था, लेकिन वह ध्वनि पैटर्न को स्वयं उतनी प्रभावी ढंग से सीखने में संघर्ष करता है जितना कि विशेष रूप से ऑडियो के लिए बनाए गए मॉडल ने किया।

अध्ययन ने यह भी पता लगाया कि ये कंप्यूटर मॉडल अपने निर्णय कैसे लेते हैं, जो डॉक्टरों का विश्वास हासिल करने के लिए एक महत्वपूर्ण कदम है। पुराने मॉडल के लिए, शोधकर्ता एक ऐसी तकनीक का उपयोग कर सकते थे जो ध्वनि मानचित्र के विशिष्ट हिस्सों को हाइलाइट करती है, जो एक हीट मैप की तरह है जो दिखाता है कि कैमरा कहाँ केंद्रित था। नए ध्वनि मॉडल के लिए, उन्होंने आंतरिक 'अटेंशन मैकेनिज्म' का विश्लेषण किया यह देखने के लिए कि कंप्यूटर किस ध्वनि पर ध्यान केंद्रित कर रहा था। उन्होंने पाया कि दोनों मॉडल एक ही फ्रीक्वेंसी रेंज (आवृत्ति सीमा), लगभग 800 और 1800 हर्ट्ज के बीच, विशेष रूप से सांस के तीसरे चक्र के दौरान, पर केंद्रित थे। यह निरंतरता बताती है कि कंप्यूटर केवल अनुमान नहीं लगा रहे हैं, बल्कि वास्तव में उन्हीं भौतिक ध्वनिक विशेषताओं का पता लगा रहे हैं जिन्हें डॉक्टर सुनते हैं।

शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि रोगी के विवरण को ध्वनि विश्लेषण के साथ जोड़ना एक तार्किक कदम है, वर्तमान पीढ़ी के सामान्य-उद्देश्य वाले मॉडल जो दोनों करने की कोशिश करते हैं, वे एक ऐसे मॉडल जितने प्रभावी नहीं हो सकते हैं जो विशेष रूप से ध्वनि के लिए बनाया गया हो। विशेष ऑडियो मॉडल ने यह सिद्ध किया कि वह केवल ध्वनि से श्वसन रोग की बारीकियों को सीख सकता है, जो चिकित्सा साहित्य में रिपोर्ट किए गए मानव ऑस्कल्टेशन से भी बेहतर है। निष्कर्ष बताते हैं कि कंप्यूटर-सहायता प्राप्त निदान का भविष्य अत्यधिक विशिष्ट उपकरणों का उपयोग करने में निहित है, न कि एक ही ऐसा सिस्टम बनाने में जो सब कुछ करता है। ये मॉडल निरंतर, रिमोट मॉनिटरिंग के लिए एक आशाजनक मार्ग प्रदान करते हैं, जिससे संभावित रूप से अस्थमा के हमलों का जल्दी पता लगाना और दुनिया भर के लोगों के लिए निरंतर देखभाल सुनिश्चित करना संभव हो सकता है, चाहे उनकी विशेषज्ञ तक पहुंच हो या न हो।